【飛槳深度學習 && 百度七日打卡 && Python小白逆襲大神】Day2：《青春有你2》選手信息爬取

作業說明：

1、使用Python來爬取百度百科中《青春有你2》所有參賽選手的信息，完成《青春有你2》選手圖片爬取，將爬取圖片進行保存
數據獲取

2、打印爬取的所有圖片的絕對路徑，以及爬取的圖片總數

實現效果：

思路：

首先，瞭解一下 深度學習一般過程:

其次，瞭解一下 爬蟲的過程：

1.發送請求（requests模塊）
2.獲取響應數據（服務器返回）
3.解析並提取數據（BeautifulSoup查找或者re正則）
4.保存數據

另外，瞭解一下 兩個模塊：

1、request模塊：

requests是python實現的簡單易用的HTTP庫
官網地址：http://cn.python-requests.org/zh_CN/latest/

---

requests.get(url)可以發送一個http get請求，返回服務器響應內容。

2、BeautifulSoup庫：

BeautifulSoup 是一個可以從HTML或XML文件中提取數據的Python庫。
網址：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

---

BeautifulSoup支持Python標準庫中的HTML解析器, 還支持一些第三方的解析器, 其中一個是 lxml。

---

BeautifulSoup(markup, “html.parser”)或者BeautifulSoup(markup, “lxml”)，推薦使用lxml作爲解析器,因爲效率更高。

開始編程爬取：

準備工作：

#如果需要進行持久化安裝, 需要使用持久化路徑, 如下方代碼示例:
#!mkdir /home/aistudio/external-libraries
#!pip install beautifulsoup4 -t /home/aistudio/external-libraries
#!pip install lxml -t /home/aistudio/external-libraries

# 同時添加如下代碼, 這樣每次環境(kernel)啓動的時候只要運行下方代碼即可:
import sys
sys.path.append('/home/aistudio/external-libraries')

GO：

一、爬取百度百科中《青春有你2》中所有參賽選手信息，返回頁面數據

import json
import re
import requests
import datetime
from bs4 import BeautifulSoup
import os

#獲取當天的日期,並進行格式化,用於後面文件命名，格式:20200420
today = datetime.date.today().strftime('%Y%m%d')    

def crawl_wiki_data():
    """
    爬取百度百科中《青春有你2》中參賽選手信息，返回html
    """
    headers = { 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
    }
    url='https://baike.baidu.com/item/青春有你第二季'                         

    try:
        response = requests.get(url,headers=headers)
        print(response.status_code)

        #將一段文檔傳入BeautifulSoup的構造方法,就能得到一個文檔的對象, 可以傳入一段字符串
        soup = BeautifulSoup(response.text,'lxml')
        
        #返回的是class爲table-view log-set-param的<table>所有標籤
        tables = soup.find_all('table',{'class':'table-view log-set-param'})

        crawl_table_title = "參賽學員"

        for table in  tables:           
            #對當前節點前面的標籤和字符串進行查找
            table_titles = table.find_previous('div').find_all('h3')
            for title in table_titles:
                if(crawl_table_title in title):
                    return table       
    except Exception as e:
        print(e)

二、對爬取的頁面數據進行解析，並保存爲JSON文件

def parse_wiki_data(table_html):
    '''
    從百度百科返回的html中解析得到選手信息，以當前日期作爲文件名，存JSON文件,保存到work目錄下
    '''
    bs = BeautifulSoup(str(table_html),'lxml')
    all_trs = bs.find_all('tr')

    error_list = ['\'','\"']

    stars = []

    for tr in all_trs[1:]:
         all_tds = tr.find_all('td')

         star = {}

         #姓名
         star["name"]=all_tds[0].text
         #個人百度百科鏈接
         star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')
         #籍貫
         star["zone"]=all_tds[1].text
         #星座
         star["constellation"]=all_tds[2].text
         #身高
         star["height"]=all_tds[3].text
         #體重
         star["weight"]= all_tds[4].text

         #花語,去除掉花語中的單引號或雙引號
         flower_word = all_tds[5].text
         for c in flower_word:
             if  c in error_list:
                 flower_word=flower_word.replace(c,'')
         star["flower_word"]=flower_word 
         
         #公司
         if not all_tds[6].find('a') is  None:
             star["company"]= all_tds[6].find('a').text
         else:
             star["company"]= all_tds[6].text  

         stars.append(star)

    json_data = json.loads(str(stars).replace("\'","\""))   
    with open('work/' + today + '.json', 'w', encoding='UTF-8') as f:
        json.dump(json_data, f, ensure_ascii=False)

三、爬取每個選手的百度百科圖片，並進行保存

def crawl_pic_urls():
    '''
    爬取每個選手的百度百科圖片，並保存
    ''' 
    with open('work/'+ today + '.json', 'r', encoding='UTF-8') as file:
         json_array = json.loads(file.read())

    headers = { 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' 
     }

    for star in json_array:

        name = star['name']
        link = star['link']

        #！！！請在以下完成對每個選手圖片的爬取，將所有圖片url存儲在一個列表pic_urls中！！！
        # pic_urls = []  # 新建列表每次循環初始化
        # r = requests.get(link, headers=headers)  # 獲取每個頁面的信息
        # # print(r.text)
        # soup = BeautifulSoup(r.text, 'lxml')  # 解析頁面
        # # print(soup)
        # migs = soup.find_all('div', class_='summary-pic')
        # # print(migs)
        # migs = migs[0].a.get('href')  # 獲取鏈接的部分內容
        # if 'http' not in migs:  # 避免其他內容干擾報錯
        #     # print(migs)
        #     url = f'http://baike.baidu.com{migs}'  # 拼接鏈接
        #     # print(url)
        #     photo_r = requests.get(url, headers=headers)  # 獲取鏈接頁面
        #     # print(photo_r.text)
        # pic_urls.append(photo_r)
        #向選手個人百度百科發送一個http get請求
        response=requests.get(link, headers=headers)
        # 將一段文檔傳入BeautifulSoup的構造方法，就能得到一個文檔的對象
        bs=BeautifulSoup(response.text, 'lxml')
        # 從百度百科頁面解析得到一個鏈接，該鏈接指向選手圖片列表頁面
        pic_list_url=bs.select('.summary-pic a')[0].get('href')
        pic_list_url='http://baike.baidu.com' + pic_list_url

        # 想選手圖片列表頁面發送http get請求
        pic_list_response=requests.get(pic_list_url, headers=headers)
        # 對選手圖片列表頁面進行解析，獲取所有圖片鏈接
        bs=BeautifulSoup(pic_list_response.text, 'lxml')
        pic_list_html=bs.select('.pic-list img')
        pic_urls=[]
        for pic_html in pic_list_html:
            pic_url=pic_html.get('src')
            pic_urls.append(pic_url)

        #！！！根據圖片鏈接列表pic_urls, 下載所有圖片，保存在以name命名的文件夾中！！！
        down_pic(name,pic_urls)

def down_pic(name,pic_urls):
    '''
    根據圖片鏈接列表pic_urls, 下載所有圖片，保存在以name命名的文件夾中,
    '''
    path = 'work/'+'pics/'+name+'/'

    if not os.path.exists(path):
      os.makedirs(path)

    for i, pic_url in enumerate(pic_urls):
        try:
            pic = requests.get(pic_url, timeout=15)
            string = str(i + 1) + '.jpg'
            with open(path+string, 'wb') as f:
                f.write(pic.content)
                print('成功下載第%s張圖片: %s' % (str(i + 1), str(pic_url)))
        except Exception as e:
            print('下載第%s張圖片時失敗: %s' % (str(i + 1), str(pic_url)))
            print(e)
            continue

四、打印爬取的所有圖片的路徑

def show_pic_path(path):
    '''
    遍歷所爬取的每張圖片，並打印所有圖片的絕對路徑
    '''
    pic_num = 0
    for (dirpath,dirnames,filenames) in os.walk(path):
        for filename in filenames:
           pic_num += 1
           print("第%d張照片：%s" % (pic_num,os.path.join(dirpath,filename)))           
    print("共爬取《青春有你2》選手的%d照片" % pic_num)

if __name__ == '__main__':

     #爬取百度百科中《青春有你2》中參賽選手信息，返回html
     html = crawl_wiki_data()

     #解析html,得到選手信息，保存爲json文件
     parse_wiki_data(html)

     #從每個選手的百度百科頁面上爬取圖片,並保存
     crawl_pic_urls()

     #打印所爬取的選手圖片路徑
     show_pic_path('/home/aistudio/work/pics/')

     print("所有信息爬取完成！")

至此，爬取成功！

♥ 喜 歡 請 點 贊 喲 ♥

(●ˇ∀ˇ●)