各位集美兄得看过来! 利用AI给青春有你2的选手们做数据分析挖掘(一):爬虫选手信息

各位集美兄得看过来! 利用AI给青春有你2的选手们做数据分析挖掘(一):爬虫选手信息

前言

最近爱奇艺真正热播的大型青春少女选秀节目—青春有你2，简直火爆全网，现在谁还不会几句，“淡黄的长裙，蓬松的头发”

好，我们走进正题，青春有你2就是各位大众通过投票的方式，选出9位少女成团，那我们AI在这个过程中能发挥什么作用呢？

我，我一个浪迹各种圈的工具人，内娱(内地娱乐)怎么会不懂，投票这种东西光靠自带粉丝是不够了，每期青春有你2播出，粉头们都会带着小粉丝，各种刷数据、刷流量、刷话题，增加自家艺人的热度，然后再成功圈一波又一波的新粉，一波又一波~~~~，这里提到数据、流量、话题，一般来说粉丝会自己进行统计，利用一些报表工具或者微博提供的热度分析工具等等，但是不够全面阿，这里我将使用AI Studio 给大家快速地实现如何利用AI对青春有你2的选手们进行数据分析数据挖掘，通过结果给大家呈现目前选手们的真实热度状况。

首先，我们从获取青春有你2的选手所有基本信息，包括获取姓名身高以及大量的图片。因此我们需要基于Python来做爬虫，爬虫的过程，就是模仿浏览器的行为，往目标站点发送请求，接收服务器的响应数据，提取需要的信息，并进行保存的过程，Python为爬虫的实现提供了工具:requests模块、BeautifulSoup库。

爬虫过程说明

一般爬虫的过程如下：

1.发送请求（requests模块）

2.获取响应数据（服务器返回）

3.解析并提取数据（BeautifulSoup查找或者re正则）

4.保存数据

实践

环境准备

基础环境

CPU: 2 Cores.

RAM: 8GB.

Disk: 100GB

Python: 3.7.4

核心使用Python库

request模块：

requests是python实现的简单易用的HTTP库，官网地址：http://cn.python-requests.org/zh_CN/latest/

requests.get(url)可以发送一个http get请求，返回服务器响应内容。

BeautifulSoup库：

BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。网址：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。

BeautifulSoup(markup, "html.parser")或者BeautifulSoup(markup, "lxml")，推荐使用lxml作为解析器,因为效率更高。

分析爬虫网站

由于我们现阶段目标是获取青春有你2的选手所有基本信息，因此我们选择百度作为我们的数据源，

具体数据URL：https://baike.baidu.com/item/青春有你第二季/23802025

我们进去看一下，可以发现，在参赛学员这个模块有很完整的选手信息，我们可以爬这个页面，再解析这部分数据

在爬虫之前，我们先看看他的页面结构，这块就是我们需要爬取的数据，他是一个table的页面接口，每一列对应选手的基本信息属性，我们爬到页面之后只需要按照标签的顺序取值。

爬《青春有你2》中所有参赛选手信息，返回页面数据

爬取页面具体实现：

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

#获取当天的日期,并进行格式化,用于后面文件命名，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》中参赛选手信息，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)

        #将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
        soup = BeautifulSoup(response.text,'html.parser')
        
        #返回的是class为table-view log-set-param的<table>所有标签
        tables = soup.find_all('table',{'class':'table-view log-set-param'})

        crawl_table_title = "参赛学员"

        for table in  tables:           
            #对当前节点前面的标签和字符串进行查找
            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)

解析页面获取数据

现在我们已经实现了爬取参赛学员的表格，然后按照我们前面说的进行解析表格,并存储到json文件

def parse_wiki_data(table_html):
    '''
    从百度百科返回的html中解析得到选手信息，以当前日期作为文件名，存JSON文件,保存到work目录下
    '''
    bs = BeautifulSoup(str(table_html),'html.parser')
    all_trs = bs.find_all('tr')

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

    stars = []

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

         star = {}
         print(all_tds)
         #姓名
         star["name"]=all_tds[0].text
         #个人百度百科链接
         star["link"]= 'https://baike.baidu.com' + all_tds[0].find('a').get('href')
         #籍贯
         star["zone"]=all_tds[1].text
         #星座
         star["constellation"]=all_tds[2].text
         #身高
         star["height"]=all_tds[3].text
         #体重
         star["weight"]= all_tds[4].text

         #花语,去除掉花语中的单引号或双引号
         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)

输出JSON数据结果如下：

分析如何爬取选手高清美照

这一步绝对是没有任何私心的，因为后面的课程需要，我们需要爬取选手的图片

就是下面这块图集，我们需要拿到选手百度词条的图集，而链接就在红色框框住的地方。

我们“F12”看看 页面结构找到图集的入口

然后跳转链接过去，继续F12可以看到'pic-item'的标签列表就是存放图册的，我们就可以根据这个标签获取图集所有的图片下载地址

到这里，我们再总结一下获取图片的流程

 1.爬选手个人百度信息页面

 2.解析信息页面的右侧图片跳转信息

 3.通过2获取的URL，爬取选手的图集

 4.解析图集，下载图片到指定目录

爬取选手高清美照链接

具体实现逻辑如下

def crawl_pic_urls():
    '''
    爬取每个选手的百度百科图片，并保存
    ''' 
    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:
        pic_urls = []
        pic_set = set()
        name = star['name']
        link = star['link']
        #！！！请在以下完成对每个选手图片的爬取，将所有图片url存储在一个列表pic_urls中！！！
        
        response = requests.get(link,headers=headers)
        print(response.status_code)
    
        #将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串
        soup = BeautifulSoup(response.text,'html.parser')
        
        #picture
        imgs_middle = soup.find_all('a',{'class':'image-link'})
        imgs_left = soup.find_all('div',{'class':'summary-pic'})

        imgs_url = []
        imgs= soup.find_all('a',{'class':'lemma-album'})
        
        #  这种方式获取全部图册 1052张
        # for item in imgs:
        #     imgResponse = requests.get("https://baike.baidu.com"+item['href'],headers=headers)
        #     imgSoup = BeautifulSoup(imgResponse.text,'html.parser')
            
        #     imgs_a= imgSoup.find_all('a',{'class':'pic-item'})
        #     for a_item in imgs_a:
        #         if a_item.img['src'] not in pic_set:
        #             pic_set.add(a_item.img['src'])
        #             pic_urls.append(a_item.img['src'])

        
        
        # 这种方式获取词条图册 482张
        for item in imgs_left:
            imgResponse2 = requests.get("https://baike.baidu.com"+item.a['href'],headers=headers)
            imgSoup2 = BeautifulSoup(imgResponse2.text,'html.parser')
            imgs_a2= imgSoup2.find_all('a',{'class':'pic-item'})
            for a_item in imgs_a2:
                if a_item.img:
                    if a_item.img['src'] not in pic_set:
                        pic_set.add(a_item.img['src'])
                        pic_urls.append(a_item.img['src'])
        
  
        #！！！根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中！！！
        down_pic(name,pic_urls)

      

下载高清美照

def down_pic(name,pic_urls):
    '''
    根据图片链接列表pic_urls, 下载所有图片，保存在以name命名的文件夹中,
    '''
    path = 'work/'+'pics/'+name+'/'

    if not os.path.exists(path):
      os.makedirs(path)
    
    print("正在下载:%s" %(str(name)))

    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('成功下载第%s张图片: %s' % (str(i + 1), str(pic_url)))
        except Exception as e:
            print('下载第%s张图片时失败: %s' % (str(i + 1), str(pic_url)))
            print(e)
            continue

def show_pic_path(path):
    '''
    遍历所爬取的每张图片，并打印所有图片的绝对路径
    '''
    pic_num = 0
    for (dirpath,dirnames,filenames) in os.walk(path):
        for filename in filenames:
           pic_num += 1
           print("第%d张照片：%s" % (pic_num,os.path.join(dirpath,filename)))           
    print("共爬取《青春有你2》选手的%d照片" % pic_num)
    

结果：

总结

首先要称赞一下AI studio的工具确实是好用，而且对于我这么一个不会Python什么的工具人，通过百度提供的AI课堂，也就很快上手了，毕竟有其他语言基础，接下来还会继续搞青春有你2助力榜数据分析挖掘阿、颜值打分、大众情感分析什么的，是一个不错的课程，敬请继续关注！

参考资料：

https://aistudio.baidu.com/aistudio/course