【Python爬虫】用Python爬取娱乐圈排行榜数据

想关注你的爱豆最近在娱乐圈发展的怎么样吗？本文和你一起爬取娱乐圈的排行榜数据，来看看你的爱豆现在排名变化情况，有几次登顶，几次进了前十名呀。

PS:在下一篇文章中分析排行榜的动态变化趋势，并绘制成动态条形图和折线图。

一、网站原始信息

我们先来看下原始的网站页面

如果我们想一个一个复制这些数据，再进行分析，估计要花一天的时间，才可以把明星的各期排行数据处理好。估计会处理到崩溃，还有可能会因为人为原因出错。

而用爬虫，半个小时不到就可以处理好这些数据。接下来看看怎么把这些数据用Python爬下来吧。

二、先来看下爬取后数据的部分截图

1 男明星人气榜数据

2 女明星人气榜数据

三、如何获取123粉丝网的爬虫信息

以下是获取代码用到信息的具体步骤：

step1：浏览器(一般用火狐和Google我用的360)中打开123粉丝网

step2：按键盘F12 -> ctrl+r

step3: 点击results.php -> 到Headers中找到代码所需的参数

四、分步爬虫代码解析

1 用Python中的Requests库获取网页信息

#爬取当前页信息，并用BeautifulSoup解析成标准格式
import requests  #导入requests模块
import bs4

url = "https://123fans.cn/lastresults.php?c=1"
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36','Request Method':'Get'}
req = requests.get(url, timeout=30, headers=headers)
soup = bs4.BeautifulSoup(req.text, "html.parser")

代码解析：

url = ：待爬取网页的url链接，相当于指定爬取评论的路径，本文对应填入上文step3中标注的Requests URL值。

headers = ：待爬取网页的首部信息，把上文step3中标注的Headers中关键词后面的内容对应填入即可。

req =：用get方法获取待爬网页的所有信息。

soup：用BeautifulSoup把爬取内容解析成标准格式，方便数据处理。

注1：有些网站访问时必须带有浏览器等信息，如果不传入headers就会报错，所以本例中加入了头部的一些信息。我试了一下该链接不加首部信息也可以正常运行，和加了首部信息得到的结果完全一致。

注2：如果对Requests库不了解，可以参见本公众号中文章【Python】【爬虫】Requests库详解

2 把爬取到的数据整合到一个数据框中

#把爬取的数据整合到数据框中
import re                #正则表达式库
import numpy as np
import pandas as pd

period_data = pd.DataFrame(np.zeros((400,5)))  #构造400行5列的全0矩阵备用
period_data.columns = ['name', 'popularity_value', 'period_num', 'end_time','rank']  #给0矩阵列命名
#把当期的数据填入表格中
#姓名信息
i = 0
name = soup.findAll("td", {"class":"name"})
for each in name:period_data['name'][i]=each.a.text  #依次加入姓名i += 1
#人气信息
j = 0
popularity = soup.findAll("td", {"class":"ballot"})
for each in popularity:period_data['popularity_value'][j]=float(each.text.replace(",",''))  #依次加入人气值j += 1
#期数信息
period_num = int(re.findall('[0-9]+', str(soup.h2.text))[0])
period_data['period_num'] = period_num
#截止日期
end_time_0 = str(re.findall('结束日期.+[0-9]+', str(soup.findAll("div", {"class":"results"})))).split('.')
end_time = ''
for str_1 in end_time_0:end_time = end_time + re.findall('[0-9]+',str_1)[0]
period_data['end_time'] = end_time
#有序数，方便截取前多少位
period_data_1 = period_data.sort_values(by='popularity_value',ascending=False)
period_data_1['rank'] = range(period_data_1.shape[0])

代码解析：

period_data：构造400行5列的矩阵用来存放每一期排行数据(前几期排行榜存放了前341位明星的人气值，我怕往期的会多一点数据，所以取了400行)。

period_data.columns：给数据加一个列名。

name：用findAll函数取出所有的名字信息。

for each in name：用循环把名字信息存放到period_data中。

popularity：用findAll函数取出所有的人气值信息。

for each in popularity：用循环把人气信息存放到period_data中。

period_num：获取期数信息。

end_time：获取截止日期。

period_data_1[‘rank’]：在最后一列加入有序数,方便数据截取使用。

接下来展示批量爬虫代码

五、批量爬虫代码解析

1 定义爬虫函数

import requests  #导入requests模块
import bs4
import re        #正则表达式库
import numpy as np
import pandas as pd
import warnings
import time
import random

warnings.filterwarnings('ignore')  #忽视ignore
#headers的内容在Headers里面都可以找到
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36','Request Method':'Get'}
def crawler(url):    req = requests.get(url, timeout=30, headers=headers)  # 获取网页信息soup = bs4.BeautifulSoup(req.text, "html.parser")  #用soup库解析period_data = pd.DataFrame(np.zeros((400,5)))  #构造400行5列的全0矩阵备用period_data.columns = ['name', 'popularity_value', 'period_num', 'end_time','rank']  #给0矩阵列命名#把当期的数据填入表格中#姓名信息i = 0 name = soup.findAll("td", {"class":"name"})for each in name:period_data['name'][i]=each.a.text  #依次加入姓名i += 1#人气信息j = 0popularity = soup.findAll("td", {"class":"ballot"})for each in popularity:period_data['popularity_value'][j]=float(each.text.replace(",",''))  #依次加入人气值j += 1#期数信息period_num = int(re.findall('[0-9]+', str(soup.h2.text))[0])period_data['period_num'] = period_num#截止日期end_time_0 = str(re.findall('结束日期.+[0-9]+', str(soup.findAll("div", {"class":"results"})))).split('.')end_time = ''for str_1 in end_time_0:end_time = end_time + re.findall('[0-9]+',str_1)[0]period_data['end_time'] = end_time#有序数，方便截取前多少位period_data_1 = period_data.sort_values(by='popularity_value',ascending=False)period_data_1['rank'] = range(period_data_1.shape[0])return period_data_1

本段代码是把分段爬虫代码整合到一个函数中，方便反复调用。

2 反复调用函数实现批量爬虫

period_data_final = pd.DataFrame(np.zeros((1,5)))  #构造400行5列的全0矩阵备用
period_data_final.columns = ['name', 'popularity_value', 'period_num', 'end_time','rank']  #给0矩阵列命名
for qi in range(538,499,-1):print("目前爬到了第",qi,'期')if qi == 538:url="https://123fans.cn/lastresults.php?c=1"else:url="https://123fans.cn/results.php?qi={}&c=1".format(qi)time.sleep(random.uniform(1, 2))date = crawler(url)period_data_final = period_data_final.append(date)
period_data_final_1 = period_data_fina.loc[1:,:] #去掉第一行无用数据

本段代码是反复调用爬虫函数获取页面数据，并用append整合到一个数据框中。

注1： print是为了展示爬取到第几期了。
注2：url中用了.format是为了控制跳转页面。
注3：time.sleep中用了随机数，是人为休眠一段不定长时间为了防止反爬虫。

本文是本人使用Python库进行爬虫的非商业行为，如有问题，请指正。如果想获取文中所有可直接执行的代码和数据，可在公众号中回复"爬取娱乐圈排行榜数据"，即可免费获取。如对代码有疑问，可以到公众号中私信我。

你可能感兴趣:
孤立森林
风控建模整体流程
用Python绘制皮卡丘
用Python绘制词云图
Python入门干货经验(免费提供资料)
用Python绘制杨紫作品集动态二维码
【Python】【爬虫】Requests库详解

长按(扫一扫)识别上方二维码学习更多Python和建模知识