Python 高级应用程序设计任务
一.主题式网络爬虫设计方案
1.主题式网络爬虫的名称
爬拥有超级计算机500强的公司和数量
2·主题式网络爬虫的内容与数据特征分析
爬虫的内容:超级计算机500强
数据特征分析:对前500强超级计算机的品牌公司进行分析
3,主题式网络爬虫设计方案概述(包括实现思路和技术难点)
设计方案:创建一个get的类,通过get_page爬取网页,在通过parse_page_detail()获取每个详情页所需要爬取的具体信息数据,最后通过save_to_csv()保存到csv文件中。
技术难点:网址的抓包和正文的提取
二,主题页面的结构特征分析
1,主题页面的特征结构
每页数据有100条数据,共5页,数据总量为500条,通过F12检查页面,发现所需要爬取的数据都是静态的。
2.Htmls页面解析
3.节点(标签)查找方法与遍历方法
(必要时画出节点树结构)
三、网络爬虫程序设计(60分)
爬虫程序主体要包括以下各部分,要附源代码及较详细注释,并在每部分程序后面提供输出结果的截图。
1.数据爬取与采集
2.对数据进行清洗和处理
import requests import json from lxml import etree import seaborn as sns import pandas as pd base_url = ‘http://www.mtime.com/top/movie/top100/‘ config_headers = { ‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9‘, ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36‘ } #数据爬取 def get_page(page_count): res = requests.get("https://www.top500.org/list/2019/11/?page={0}".format(page_count), headers = config_headers) return res.content.decode(‘utf-8‘) def parse(data): html = etree.HTML(data) with open(‘a‘, ‘w‘, encoding=‘utf-8‘) as f: f.write(data) computer_list = html.xpath("//table/tr") return [parse_item(item) for item in computer_list] #数据清洗 def parse_item(item): d = {} d[‘rank‘] = item.xpath(‘string(./td[1])‘) d[‘country‘] = item.xpath(‘./td[2]/text()‘) d[‘company‘] = item.xpath(‘./td[3]/text()‘) d[‘name‘] = item.xpath(‘string(./td[3]/a/b)‘) d[‘cores‘] = item.xpath(‘./td[4]/text()‘) d[‘rmax‘] = item.xpath(‘./td[5]/text()‘) for key, v in d.items(): if isinstance(v, list) and len(v) > 0: d[key] = v[0] return d parse_data = [] for i in range(1, 6): data = get_page(i) clear_data = parse(data) parse_data.extend(clear_data) pd.DataFrame(parse_data).to_csv(‘data.csv‘) def get_column(dc, column_name): return ‘,‘.join([item[column_name] for item in dc])
4.数据分析与可视化
(例如:数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等)
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns f = open(‘data.csv‘,encoding=‘UTF-8‘) data = pd.read_csv(f,sep=‘,‘,header=None,encoding=‘UTF-8‘,names=[‘rank‘,‘country‘,‘company‘,‘name‘,‘ores‘,‘rmax‘]) #各国家拥有超级电脑数量 country = data[‘country‘].value_counts() sns.set_style("darkgrid") bar_plot = sns.barplot(x=(country.index),y=country.values, palette="muted") plt.xticks(rotation=90) plt.show()
每个国家拥有超级计算机的数量
import matplotlib.pyplot as plt from wordcloud import WordCloud import pandas as pd f = open(‘data.csv‘,encoding=‘UTF-8‘) data = pd.read_csv(f,sep=‘,‘,header=None,encoding=‘UTF-8‘,names=[‘rank‘,‘country‘,‘company‘,‘name‘,‘ores‘,‘rmax‘]) def draw_country_wordcloud(): country_str = ",".join(data[‘country‘]) #生成国家词云 country_wordcloud = WordCloud(background_color="white",width=1000, height=860, margin=2).generate(country_str) #生成公司词云 plt.imshow(country_wordcloud) plt.axis("off") plt.show() country_wordcloud.to_file(‘country_wordcloud.png‘) def draw_company_wordcloud(): company_str = ",".join(data[‘company‘]) company_wordcloud = WordCloud(background_color="white",width=1000, height=860, margin=2).generate(company_str) plt.imshow(company_wordcloud) plt.axis("off") plt.show() company_wordcloud.to_file(‘country_wordcloud.png‘) draw_country_wordcloud()
国家的词云
品牌词云
四、结论(10分)
1.经过对主题数据的分析与可视化,可以得到哪些结论?
①在世界上拥有超级电脑的国家中,中国远超美国成为拥有最多超级电脑的国家。
②中国华为拥有超级电脑的能力。
③在超级电脑的领域,欧洲国家的公司占了很大一部分
2.对本次程序设计任务完成的情况做一个简单的小结。
在这次Python爬虫的过程中我学到了很多在实践中才会遇到的问题,在这次的爬虫中我用到了Xpath。这让我在学习过后的到了很好的复习和巩固,利用好python我们可以爬到很多有用的点,比如说这次我可以爬到超级电脑的国家,品牌和每个国家的数量。并利用可视化很清晰的展示出差别。