一、爬取数据

小问题汇总

1.python之matplotlib使用系统字体

用于解决Python绘图中，中文字体显示问题

2.cookie与视频页面id（b站、微博等）查看

F12打开网页开发者模式，然后F5刷新，进入控制台中的网络，查看Fetch/XHR

3.爬取wb评论时，最好使用网页手机端

网页手机端：https://m.weibo.cn/?sudaref=cn.bing.com

4.从存储文件读数据，可能会提示编码错误

对文件的打开方式，添加代码encoding='utf-8'

b站爬虫

1.前提准备工具

1. 安装 Python 3。
2. 安装所需的库。在命令行中输入以下命令：pip install selenium beautifulsoup4 WEBdriver-manager
3. 安装 chrome浏览器以及启动软件chromedriver.exe（版本号要接近），使用selenium + chrome浏览器爬取数据
4. .csv文件用excel或者notepad打开都会乱码，可用记事本打开，或者用excel导入.csv文件，具体过程自行百度

2.使用说明

1.功能说明

• 能批量爬取B站多个视频的评论，使用Selenium而非B站api，能爬取到更全面的数据。
• 能够断点续爬，可以随时关闭程序，等到有网络时再继续运行。
• 遇到错误自动重试，非常省心，可以让它自己爬一整晚。

2.关于断点续爬与progress

• 断点续爬功能依托progress.txt记录实现：程序运行时，如果代码同级文件夹内存在progress.txt文件，它会读取其中进度；如果没有，则自动创建。

• 如果想要从头开始爬取，只需删除 progress.txt 文件即可。

• 如果想要修改爬虫任务，跳过某些视频/一级评论/二级评论页，建议直接修改progress.txt文件。
  （例如，有一个视频爬取失败，想要跳过它，直接在progress中，把video_count加1即可）

• progress含义：
  第{video_count}个视频已完成爬取。
  第{video_count + 1}个视频中，第{first_comment_index}个一级评论的，二级评论第{sub_page}页已完成爬取。
  "write_parent"为1指当前一级评论已写入，为0指当前一级评论尚未写入。
  示例如右：{"video_count": 1, "first_comment_index": 15, "sub_page": 114, "write_parent": 1}
  注意：“video_count”“first_comment_index”"sub_page"三个值全部是从0开始的,"write_parent"取值为0或1。

  3.使用步骤

  1. 将要爬取评论的视频 URL 列表放入名为 video_list.txt 的文件中，每行一个 URL。

  2. 参数设定

     • 若要修改最大滚动次数（默认45次，预计最多爬取到920条一级评论），请在代码中修改参数MAX_SCROLL_COUNT的值。注意，滚动次数过多，加载的数据过大，网页可能会因内存占用过大而崩溃。
     • 若要设定最大二级评论页码数（默认为150页），请在代码中修改参数max_sub_pages的值（若想无限制，请设为max_sub_pages = None）。建议设定一个上限以减少内存占用，避免页面崩溃。

  3. 运行代码：python Bilicomment.py（或PyCharm等软件打开运行）。代码使用selenium爬取数据。

  4. 根据看到"请登录，登录成功跳转后，按回车键继续…"提示后，请登录 Bilibili。登录成功并跳转后，回到代码，按回车键继续。

  5. 等待爬取完成。每个视频的评论数据将保存到以视频 ID 命名的 CSV 文件中， CSV 文件位于代码文件同级目录下。

  6. 输出的 CSV 文件将包括以下列：‘一级评论计数’, ‘隶属关系’（一级评论/二级评论）, ‘被评论者昵称’（如果是一级评论，则为“up主”）, ‘被评论者ID’（如果是一级评论，则为“up主”）, ‘昵称’, ‘用户ID’, ‘评论内容’, ‘发布时间’, ‘点赞数’。

  7. 输出的 CSV 文件是utf-8编码，若乱码，请检查编码格式（可以先用记事本打开查看）。

  8. 如果有视频因为错误被跳过，将会被记录在代码同级文件夹下的video_errorlist.txt中。

4.注意实现

1. 用Excel打开 CSV 文件查看时，可能会发现有些单元格报错显示"$NAME?“，这是由于这个单元格的内容是以”-“符号开头的，例如昵称”-Ghauster"。
2. 如果代码报错Permission denied，请查看是否有别的进程占用了正在写入中的 CSV 文件或 progress.txt 文件（比如，文件被我自己打开了），检查是否有写入权限。还不行，可以尝试以管理员身份运行代码（遇到PermissionError，都可以尝试以管理员身份运行来解决）。
3. 爬取超大评论量的热门视频时，网页可能会因为内存不足而崩溃。如果发生这种情况，程序会在一定时间后自动重启浏览器断点续爬。但是如果网页都还没有滚动到底全部加载完、都还没有开始爬，就内存不足了，那无论自动重试多少次都会重复出现网页崩溃的问题，此时建议限制最大滚动次数。
4. 在使用selenium + chrome浏览器爬取数据时，如果该视频评论量过大，selenium模拟浏览器会产生大量的临时文件。目前，程序将缓存存储在代码文件所在目录中，重试续爬前我们可以自行删除。
5. 如果程序长时间没有动静（控制台长时间没有打印当前进度），就重启程序吧，它会断点续爬的。这可能是因为访问b站过于频繁，阿b不想理你了（或者要输验证码了）。如果这个问题频繁发生，可以尝试延长延时时间，或改为随机延时。
   添加随机延时：
   先import random
   在想要延时的地方写time.sleep(random.unifORM(1, 5)) # 随机生成1到5秒之间的延时，具体秒数可根据需要修改

完整代码

GitHub：https://github.com/Ghauster/BilibiliCommentScraper
记得给作者点星星

微博爬取

1.前提准备工具

1. 安装SQLiteSpy，用于查看.db文件（爬取数据存储方式）
2. cookie是以SUB=_2A2开头的
3. User-Agent也可以找到，Mozilla/5.0 (Macintosh。。。

2.使用步骤

1. 点进微博正文
   
   地址栏中的数字：491…278就是ID号
   仅修改代码中的weibo_id即可，可自行写循环，读取多个视频id
   
2. 可自行修改每次的获取量max_retries，不易太大，容易被🈲

完整代码

import requestsimport _sqlite3import timedef req(comment_id, max_id, max_id_type):    if max_id == '':        url = f'https://m.weibo.cn/comments/hotflow?id={comment_id}&mid={comment_id}&max_id_type={max_id_type}'    else:        url = f'Https://m.weibo.cn/comments/hotflow?id={comment_id}&mid={comment_id}&max_id={max_id}&max_id_type={max_id_type}'    #     add your cookie here    headers = {        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/113.0.0.0 Safari/537.36',        'cookie': 'SUB=_2A25JgtBTDeRhGeFK6lAZ8i3JwzuIHXVqjPAbrDV6PUNbktAGLU_BkW1NQ4YXL0ReJHn1GmrpS18v3XL0JC5yCKFN; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WFU_bVsl9QC9P9MnfDn.wXg5JpX5KMhUgL.FoMXeKzReoef1hM2dJLoIEnLxK-L12BL1KMLxK-LBo2LBo2LxKBLB.zLBK-LxK-L12BL1KMEeh50; SSOLoginState=1686544387; ALF=1689136387; BaiDU_SSP_lcr=https://login.sina.com.cn/; mweibo_short_token=460be2ed11; M_WEIBOCN_PARAMS=oid%3D4910481981055278%26luicode%3D20000061%26lfid%3D4910481981055278%26uicode%3D20000061%26fid%3D4910481981055278'    }    content = requests.get(url, headers=headers)    return content# replace the weibo id you want to get comment ofweibo_id = 4907763291915412db_name = str(weibo_id) + '_comments.db'conn = _sqlite3.connect(db_name)c = conn.cursor()c.execute('''        CREATE TABLE IF NOT EXISTS comments(             id TEXT PRIMARY KEY,            created_time TEXT,            screen_name TEXT,            user_id TEXT,            content TEXT        )    ''')retry_count = 0max_retries = 10max_id_type = 0data = req(weibo_id, max_id='', max_id_type=0).JSON()comments = data['data']['data']max_id = data['data']['max_id']max_page = data['data']['max']total_num = data['data']['total_number']count = 1print(f'total {max_page} pages，{total_num} comments')print(f'the first page has {len(comments)} comments')time.sleep(5)while retry_count < max_retries:    try:        content = req(weibo_id, max_id, max_id_type).json()        if content['ok'] == 0:            break        max_id = content['data']['max_id']        max_id_type = content['data']['max_id_type']        content = content['data']['data']        count += 1        print(f'page {count} has {len(content)} comments')        for comment in content:            c.execute('''                INSERT OR REPLACE INTO comments VALUES (?,?,?,?,?)            ''', (                comment['id'],                comment['created_at'],                comment['user']['screen_name'],                comment['user']['id'],                comment['text']            ))        conn.commit()        if max_id == 0:            break        retry_count = 0        time.sleep(5)    except Exception as e:        retry_count += 1        print(f'an error occurred:{e},retrying...')        time.sleep(5)        continueconn.close()

数据分析

1.数据爬取后读取接口

注意：所有函数接口都是接收列表或者txt文件

1. 从.db文件读取某一列放列表中（以评论内容为例）

import sqlite3    comments = []    conn = sqlite3.connect(r'D:\PyCharm\pythonProject2\B\4875620099559502_comments.db')    c = conn.cursor()    ret = c.execute("select * from comments")  # 获取该表所有元素    for row in ret:        comments.append(row[4])# 获取该表第五列数据    conn.close()

2. 从.xlsx（excel）读取，写入另一个txt文件中（也可以放入列表或者其他）

file_path = r'C:\Users\lijiale\Desktop\b站评论数据分析\data2.xlsx'txt_path = r'C:\Users\lijiale\Desktop\b站评论数据分析\l.txtdf = pd.read_excel(file_path)  # 默认读取工作簿中第一个工作表，默认第一行为表头data = df['评论内容'].values.tolist()f = open(txt_path, "w",encoding='utf-8')for line in data:    f.write(str(line))f.close()

2.词云图

以comments列表为接收参数

def form_Wordcloud(comments):mk = imread('词云背景图.png') #词云图形状，放当前目录下    """解析评论内容并形成词云"""    word = ''.join(comments)    # 使用jieba分词并提取出现频率前200的名词、动词、形容词等有代表性的词汇    topWord_lis = jieba.analyse.extract_tags(word, topK=200, allowPOS='n''v''a''vn''an')    topWord = ' '.join(topWord_lis)    # 词云参数配置    w = wordcloud.WordCloud(        background_color='white',        font_path=r"C:\windows\Fonts\simhei.ttf",  # 字体        width=2000,        height=1500,        max_words=1000,        max_font_size=80,        min_font_size=10,        mode='RGBA',        mask=mk,  # 背景图    )    w.generate(topWord)    w.to_file('评论词云.png')    print('词云形成！')

3.情感分析

def get_emotion(comment):    """对一条评论进行情感分析,返回该评论的情感属性(emotion_label可能为0,1,2,分别对应消极的、中肯的、积极的)"""    # 百度API认证    APP_ID = '********'    API_KEY = '********'    SECRET_KEY = '********'    client = AipNLP(APP_ID, API_KEY, SECRET_KEY)    comment = ''.join(re.findall('[\u4e00-\u9fa5]', comment))  # 去除评论文本中的特殊字符    # 调用情感倾向分析    dic = client.sentimentClassify(comment)    # 可能存在没有文本的空评论,异常处理保证程序执行的连续性    try:        emotion_label = dic['items'][0]['sentiment']    except KeyError:        return 1  # 若无内容，则为中性评论    return emotion_label

4.绘图

def emotion_analysis(comments):    """对所有评论进行情感分析并绘制饼图"""    pos_comment = 0  # 积极    rel_comment = 0  # 中肯    neg_comment = 0  # 消极    for comment in comments:        if get_emotion(comment) == 0:            neg_comment += 1        elif get_emotion(comment) == 1:            rel_comment += 1        else:            pos_comment += 1    plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文支持    plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号    plt.style.use('fivethirtyeight')  # 图表样式    attitude = ['消极的', '积极的', '中肯的']  # 标签    popularity = [neg_comment, pos_comment, rel_comment]  # 数据    # 绘制饼图    plt.pie(popularity, labels=attitude, autopct='%1.1f%%',            counterclock=False, startangle=90, explode=[0, 0.1, 0])    plt.title('评论情感分析')    plt.tight_layout()    plt.savefig('情感分析结果.png')    plt.show()    print('情感分析完毕!')

央视新闻标题

# _*_ coding: utf-8 _*_import requestsimport refrom datetime import datetimedef cctv(company, page):    num = (page)    # 第一步：模拟浏览器，在央视网中输入相应的企业，并得到网页源代码    headers = {        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.67 Safari/537.36'}    url = 'https://search.cctv.com/search.PHP?Qtext=' + company + '&sort=date&type=web&vtime=&page=' + str(num)    print('正在获取----------------》》》',url)    res = requests.get(url, headers=headers, timeout=10).text    # print(res)    # 第二步：正则表达式提取文本信息    p_href = '    p_title = 'target="_blank">.*?'    p_source = '
.*?(.*?)'    p_date = '
.*?(.*?)'    href = re.findall(p_href, res, re.S)    title = re.findall(p_title, res, re.S)    for i in range(20):        title.remove('target="_blank">')    source = re.findall(p_source, res, re.S)    date = re.findall(p_date, res, re.S)    # 第三步：信息清洗    for i in range(len(title)):        title[i] = title[i].strip().replace('target="_blank">', '')        title[i] = title[i].strip().replace('', '')        href[i] = href[i].strip().replace(', '')        href[i] = href[i].strip().replace('"', '')        source[i] = source[i].strip()        date[i] = date[i].strip()    # 第四步：自动生成报告    # time = datetime.now().strftime('%Y-%M-%d')    # file_path = time    file1 = open('结果数据' + '.txt', 'a', encoding='utf-8')    file1.write(company + '数据爬取开始了!' + '\n' + '\n')    # 第五步:输出爬取信息到数据报告中    for i in range(len(title)):        file1.write(str(i + 1) + '.' + title[i] + '(' + date[i] + '-' + source[i] + ')' + '\n')        file1.write(href[i] + '\n')    file1.write('-' * 60 + '\n' + '\n')    file1.close()# 第六步:依次爬取不同的企业companys = ['皮影戏']for company in companys:    for i in range(10):        try:            cctv(company, i + 1)            print(company + '第' + str(i + 1) + '页信息爬取成功!')        except:            print(company + '第' + str(i + 1) + '页信息爬取失败!')

网易新闻标题

# PyCode-github/爬虫-所有# _*_ coding: utf-8 _*_# @Time : 2022/4/27 21:19# @FileName : 网易新闻.pyimport randomimport timeimport pandas as pdimport requestsfrom bs4 import BeautifulSoupheaders = {    "Cookie": 'WM_TID=vmnobKPZql5FQQAVBVIqvvBV1sX%2F4YTJ; WM_NI=cIS3xusLaiBpcwc1aU3Xy%2FsmuTRyBvwuDzOyWuyiI%2F8JTbyERrL8KzkBmmJXGu98YyEgTM77a89tnKc4OxLEzkHfAm4SOu8K0DyCznFvGgXszoVhvB6ijwhTFYu5Vjt7eUM%3D; WM_NIKE=9ca17ae2e6ffcda170e2e6ee86d180a596aeb8e480b1968fb6d84e868e9e86c15e97e7b798fc738de9fdd1d32af0fea7c3b92aa1979dd4fb7fb194af8ac17ca1a9add2e45ff188b7d0f267b78c9e9ac17eb5ab8c9bce7395abb78acc25fc969c83fc4f92ae84d9ca72a99ea38ec95485abf7d9dc7387b99caeb63da3e8f795ed41a1ec8199cf4fbab58887c467f88d8196bb41f49cb7a4f96686aa8988db79bab19a89f54af6b7a698eb608687bbd6d562b8e9abb6d037e2a3; _ntes_nnid=dd35c7c0872421fca032e3d8604a9733,1650637481352; _ntes_nuid=dd35c7c0872421fca032e3d8604a9733; _antanalysis_s_id=1651065371996',    "User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36 Edg/99.0.1150.30'}# 获取文章文字def getItemInfo(url):  # 获取文字    try:        res = requests.get(url, headers=headers).content.decode('utf-8')        soup = BeautifulSoup(res, "lxml")        title = soup.select('.post_title')[0].string  # （标题）        contentList = soup.select('.post_body > p')        content = ''  # （内容）        for i in contentList:            content += str(i.string)        content = str(content).replace('None', '')        content = content[0:200] #截取前200个        time = soup.select('.post_info')[0].contents[0].string        time = str(time).split('　')[0]  # 截取时间        time = time.replace('  ', '')  # 替换空格（时间）        author = soup.select('.post_info')[0].contents[1].string  # （作者）        print('获取成功~~', url)        return [title, author, time, content, url]    except:        title = soup.select('.title_wrap > h1')[0].string  # （视频标题）        print('视频链接~~', url)        return [title, ' ', ' ', ' ', url]# 获取所有URL# url = 'https://www.163.com/search?keyword=%E8%AF%88%E9%AA%97'  #获取诈骗关键字url = 'https://www.163.com/search?keyword=%%E4%BC%A0%E7%BB%9F%E7%9A%AE%E5%BD%B1%E6%88%8F'  # 获取反诈关键字response = requests.get(url, headers=headers).content.decode('utf-8')print(len(response))soup = BeautifulSoup(response, "lxml")listBox = soup.select('.keyword_list > .keyword_new > h3 > a')for i in listBox:    try:        itemInfo = getItemInfo(i['href'])        # time.sleep(random.randint(1, 5))  # 延时随机1-5    except:        print('获取所有URl报错了~~~~~')    df = pd.read_csv('新闻数据.csv', encoding='utf-8')    df.loc[len(df)] = itemInfo  # 其中loc[]中需要加入的是插入地方dataframe的索引，默认是整数型    df.columns = ['标题', '作者', '时间', '内容', '文章链接']    df.to_csv('新闻数据.csv', index=False, encoding='utf_8_sig')print('总共获取数据：', len(listBox))

更多爬虫案例

来源地址：https://blog.csdn.net/Strive_LiJiaLe/article/details/131183659