Recopilación de datos del rastreador web Python3 (4 ~ 6)

1. Descargue el archivo especificado de la página web

• El método urlretrieve () descarga directamente datos remotos al local.
• urlretrieve (url, filename = None, reporthook = None, data = None)
• url: especifica dónde descargar
• finename: se especifica la ruta de almacenamiento local (si no se especifica el parámetro, urllib generará un archivo temporal para guardar los datos).
• reporthook-es una función de devolución de llamada, que se activará cuando el servidor esté conectado y se complete la transmisión del bloque de datos correspondiente.Podemos usar esta función de devolución de llamada para mostrar el progreso de la descarga actual.
• datos: se refiere a los datos enviados al servidor. Este método devuelve una tupla (nombre de archivo, encabezados) que contiene dos elementos. El nombre de archivo representa la ruta al almacenamiento local y el encabezado representa el encabezado de respuesta del servidor.

from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen("http://www.pythonscraping.com")
bsObj = BeautifulSoup(html, "lxml")
# 找到图片的地址
imageLocation = bsObj.find("a", {
    
    "id": "logo"}).find("img")["src"]
# 下载图片并保存未logo.jpg
urlretrieve(imageLocation, "logo.jpg")

2. Descarga el archivo con la etiqueta src especificada.

import os
from urllib.request import urlretrieve
from urllib.request import urlopen
from bs4 import BeautifulSoup

downloadDirectory = "downloaded/"
baseUrl = "http://pythonscraping.com"

# 对URL链接进行清理和标准化，获得文件的绝对路径（而且去掉了外链）
def getAbsoluteURL(baseUrl, source):
    if source.startswith("http://www."):
        url = "http://" + source[11:]
    elif source.startswith("http://"):
        url = source
    elif source.startswith("www."):
        url = "http://"+source[4:]
    else:
        url = baseUrl+"/"+source
    if baseUrl not in url:
        return None
    return url

# 去除目录中的特殊符号
def correct_title(title):
    error_set = ['/', '\\', ':', '*', '?', '"', '|', '<', '>']
    for c in title:
        if c in error_set:
            title = title.replace(c, '')
    return title

# 获得下载目录
def getDownloadPath(baseUrl, absoluteUrl, downloadDirectory):
    path = absoluteUrl.replace("www.", "")
    path = path.replace(baseUrl, "")
    path = correct_title(path)
    path = downloadDirectory+path
    # directory - 目录，用于检查该文件夹下是否已存在文件夹
    directory = os.path.dirname(path)

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

html = urlopen("http://www.pythonscraping.com")
bsObj = BeautifulSoup(html, "lxml")
# 选择首页上所有带 src 属性的标签
downloadList = bsObj.findAll(src=True)
for download in downloadList:
    fileUrl = getAbsoluteURL(baseUrl, download["src"])
    if fileUrl is not None:
        print(fileUrl)
        try:
            urlretrieve(fileUrl, getDownloadPath(baseUrl, fileUrl, downloadDirectory))
        except BaseException as e:
            print(str(e))
        else:
            continue

Tres, guarde los datos de la página web en CSV

import csv
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://en.wikipedia.org/wiki/Comparison_of_text_editors")
bsObj = BeautifulSoup(html, "lxml")
# 主对比表格是当前页面上的第一个表格
table = bsObj.findAll("table", {
    
    "class": "wikitable"})[0]
rows = table.findAll("tr")
csvFile = open("../files/editors.csv", 'wt', newline='', encoding='utf-8')
writer = csv.writer(csvFile)
try:
    for row in rows:
        csvRow = []
        for cell in row.findAll(['td', 'th']):
            csvRow.append(cell.get_text())
        writer.writerow(csvRow)
finally:
    csvFile.close()

Cuatro, paseo al azar

import  matplotlib.pyplot as plt
from random import choice

class RandomWalk():
    # 一个随机漫步数据的类

    def __init__(self, num_points = 5000):
        #初始化随机漫步的属性
        self.num_points = num_points

        # 所有随机漫步都始于(0, 0)
        self.x_values = [0]
        self.y_values = [0]

    def fill_walk(self):
        #计算随机漫步包含的所有点
        # 不断漫步，直到列表达到指定的长度
        while len(self.x_values) < self.num_points:
            # 决定前进方向以及沿这个方向前进的距离
            # x轴方向上 1 - 向右走 -1 - 向左走
            x_direction = choice([1, -1])
            x_distance = choice([0, 1, 2, 3, 4])
            #为零将垂直移动
            x_step = x_direction * x_distance
            # y轴方向上 1 - 向上走 -1 - 向下走
            y_direction = choice([1, -1])
            y_distance = choice([0, 1, 2, 3, 4])
            #为零将垂直移动
            y_step = y_direction * y_distance

            # 拒绝原地踏步
            if x_step == 0 and y_step == 0:
                continue

            # 计算下一个点的x和y值
            next_x = self.x_values[-1] + x_step
            next_y = self.y_values[-1] + y_step

            self.x_values.append(next_x)
            self.y_values.append(next_y)
# 只要程序处于活动状态，就不断地模拟随机漫步

# 创建一个RandomWalk实例，并将其包含的点都绘制出来
rw = RandomWalk()
rw.fill_walk()
# 设置绘图窗口的尺寸函数figure()用于指定图表的宽度、高度、分辨率和背景色。你需要给形参figsize指定一个元组，向matplotlib指出绘图窗口的尺寸，单位为英寸
plt.figure(figsize=(10, 6))
point_numbers = list(range(rw.num_points))
plt.scatter(rw.x_values, rw.y_values, c=point_numbers, cmap=plt.cm.Blues,
 edgecolor='none', s=1)
# 突出起点和终点
plt.scatter(0, 0, c='green', edgecolors='none', s=100)
plt.scatter(rw.x_values[-1], rw.y_values[-1], c='red', edgecolors='none',
            s=100)
# 隐藏坐标轴
plt.axes().get_xaxis().set_visible(False)
plt.axes().get_yaxis().set_visible(False)
plt.show()

Cinco, llame a la API para ver el lenguaje Python de github Gaoxing

import requests
# 执行API调用并存储响应
url = 'https://api.github.com/search/repositories?q=language:python&sort=stars'
r = requests.get(url)
print("Status code:", r.status_code)
# 将API响应存储在一个变量中
response_dict = r.json()
print("Total repositories:", response_dict['total_count'])
# 探索有关仓库的信息
repo_dicts = response_dict['items']
print("Repositories returned:", len(repo_dicts))

print("\nSelected information about each repository:")
for repo_dict in repo_dicts:
    print('\nName:', repo_dict['name'])
    print('Owner:', repo_dict['owner']['login'])
    print('Stars:', repo_dict['stargazers_count'])
    print('Repository:', repo_dict['html_url'])
    print('Description:', repo_dict['description'])