抓取文章的連結，訪問量儲存到本地

 1 #coding=utf-8
 2 import requests as req
 3 import re
 4 import urllib
 5 from bs4 import BeautifulSoup
 6 import sys
 7 import codecs
 8 import time
 9 
10     
11 r=req.get('https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000',
12          headers={'User-Agent
 
': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'})
13 content=r.text
14 #print(content)
15 soup=BeautifulSoup(content,'html.parser')
16 
17 #下面2行內容解決UnicodeEncodeError: 'ascii' codec can't encode characters in position 63-64問題,但是加了後print就打印不出來了，需要查原因
 

18 reload(sys)
19 sys.setdefaultencoding('utf-8')
20 
21 i=0
22 for tag in soup.find_all(re.compile(r'^a{1}'),{'class':'x-wiki-index-item'}):
23     i=i+1
24     if i%3==0:
25         time.sleep(30)
26     name=tag.get_text()
27     href='https://www.liaoxuefeng.com'+tag['href']
28     req2=req.get(href,headers={'
 
User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36'})
29     time.sleep(3)
30     soup2=BeautifulSoup(req2.text,'html.parser')
31     count=soup2.find_all('div',{'class':'x-wiki-info'})
32     try:
33         co=count[0].find('span').get_text()
34         co=co[7:]
35     except IndexError as e:
36         co='0'
37     with open('E:/sg_articles.xlsx', 'a+') as f:
38         f.write(codecs.BOM_UTF8)#解決寫入csv後亂碼問題
39         f.write(name+','+href+','+co+'\n')
40 '''
41 睡眠是因為網頁訪問過多就會報503 Service Unavailable for Bot網站超過了iis限制造成的由於2003的作業系統在提示IIS過多時並非像2000系統提示“連結人數過多”
42 http://www.51testing.com/html/53/15150753-4455790.html --資料視覺化
43 http://www.cnblogs.com/xxoome/p/5880693.html --python引入模組時import與from ... import的區別
44 https://www.cnblogs.com/amou/p/9184614.html --講解幾種爬取網頁的匹配方式
45 https://www.cnblogs.com/yinheyi/p/6043571.html --python基本語法
46 '''

上面程式碼的思路：先獲取主網頁，再遍歷主網頁上的文章連結並請求這些連結以進入子網頁，從而獲得子網頁中span標籤儲存的訪問量。

下面開啟本地檔案，pandas進行資料分析，然後pyecharts實現圖形化

 1 #coding=utf-8
 2 from pyecharts import Bar
 3 import pandas as pd
 4 
 5 p=pd.read_excel('E:\sg_articles.xls',names=["title","href","count"])
 6 a=p.sort_values(by='count',ascending=False)[0:3]
 7 title=a['title']
 8 count=a['count']
 9 bar=Bar("點選量TOP3", title_pos='center', title_top='18', width=800, height=400)
10 bar.add("", title, count, is_convert=True, xaxis_min=10, yaxis_rotate=30, yaxis_label_textsize=10, is_yaxis_boundarygap=True, yaxis_interval=0,
11         is_label_show=True, is_legend_show=False, label_pos='right',is_yaxis_inverse=True, is_splitline_show=False)
12 bar.render("E:\點選量TOP3.html")

最後的結果

同時還有很多疑問，需要懂的朋友幫忙解答：

1.第一段程式碼中儲存的xlsx格式，實際儲存後開啟是提示有損壞的，使用xml開啟則就沒有問題，另存為xls格式後開啟也沒有問題

2.訪問量過多會報錯，我就利用了sleep,但實際上訪問量間斷性的讀取到了值，有的為什麼讀不到值了？

3.利用sort_values對count列進行排序取前3，這個會自動排除掉excel格式的第一行，不知道是為什麼

感覺後面我還需要強化1）pandas資料處理的方法，比如分組排序等

2）正則表示式的提取

3）pyecharts的圖形繪製

4）在遇到網頁有反爬情況下的虛擬ip設定等

記錄我的python學習之路，大家一起努力喲~~