爬取网易云数据并且可视化展示
结构化爬取网易云数据并且可视化展示项目说明代码框架第三方库说明内容爬取说明完整代码爬取结果内容可视化项目说明网易云音乐歌单数据获取，获取某一歌曲风格的所有歌单，进入每个歌单获取歌单名称、创建者、播放量、页面链接、收藏数、转发数、评论数、标签、介绍、收录歌曲数、部分收录歌名，并统计播放量前十的歌单，将播放量前十的歌单以及对应的所有信息进行另外存储，对其进行可视化展示。代码框架第三方库说明#bs4''
·
项目说明
网易云音乐歌单数据获取，获取某一歌曲风格的所有歌单，进入每个歌单获取歌单名称、创建者、播放量、页面链接、收藏数、转发数、评论数、标签、介绍、收录歌曲数、部分收录歌名，并统计播放量前十的歌单，将播放量前十的歌单以及对应的所有信息进行另外存储，对其进行可视化展示。
在做这个爬虫的时候，对于如何翻页问题和身边的人进行了探讨，有人说用selenium模拟点击，但是通过观察网页，我发现即使是不用模拟点击翻页也能历遍爬完歌单的信息，接下来我就带着大家一起如何爬取数据。
代码框架
第三方库说明
在项目中用到的一些第三方库的介绍：
# bs4
'''
BS4全称是Beautiful Soup，它提供一些简单的、
python式的函数用来处理导航、搜索、修改分析树等功能。
它是一个工具箱，通过解析文档为Beautiful Soup自动将输入文档转换为
Unicode编码，输出文档转换为utf-8编码。
'''
# requests
'''
用requests库来访问网页，获取网页内容，支持HTTP特性
'''
# time
'''
Time库是与时间处理有关的模块，
在这个项目中是用来强制网页访问间隔时间的。
'''
# random
'''
Random库主要功能是提供随机数，在项目中和time库配合使用，
生产随机强制访问的间隔时间的
'''
# xlwt
'''
Python访问Excel时的库，其功能是写入xls文件，
在本项目中是用于写入爬取的数据
'''
# pandas
'''
Pandas库是基于NumPy的一种工具，用于读取文本文件的，
可以快速便捷的处理数据的库。
'''
# pyecharts.charts
'''
pyecharts.charts是用于数据可视化的库，其中包含很多种画图工具，
在本项目中应用到的是画柱状图是Bar，圆饼图是Pie
'''
# matplotlib.pyplot
'''
matplotlib也是可视化的库，由各种可视化的类构成，
matplotlib.pyplot是绘制各类可视化图形的命令子库
'''
内容爬取说明
爬取链接：https://music.163.com/discover/playlist/?cat=
页面详情
观察网页内容是我们进行爬虫项目的首要步骤，这里我选择了华语类型的歌单来观察一下；
华语风格的歌单总共有37页，每页有35个歌单，那总共大约有1295个歌单。一个风格的歌单是代表不了全部的，我们在做爬虫的时候要避免以偏概全，多看一个页面，找出规律，这样才能写出结构化的爬虫，当网页的内容发生变化，但总体框架没有变化时，我们的代码就能继续运行，这也是考验代码健壮性的一方面（跑偏了）。
在选择其他歌单类别后，可以看到每个类别的歌单基本都是用37或38个页面来存放歌单，每个页面有35个歌单，那如何历遍每一个页面呢？
我当时面对这个问题的时候也是想了很久，又不想用selenium模拟点击，那我们就要多观察源代码，看看有没有蛛丝马迹。
老规矩 F12 进入开发者选项：
在源代码中，我们可以看到每个页面对应的链接是有规律的，
例如：“https://music.163.com/#/discover/playlist/?order=hot&cat=%E5%8D%8E%E8%AF%AD&limit=35&offset=35”
通过网页链接观察，我发现对于网页翻页的重点在于“&limit=35&offset=35”的数字35，每个页面是以链接后面的数字决定当前是在第几个页面，是以0为首页面，35为倍数的规律，第一个页面为 “&limit=0&offset=0”， 第二个页面为 “&limit=35&offset=35”，第三个页面为 “&limit=35&offset=70”，以此类推，只要知道当前类别的歌单有多少个页面，就可以通过for循环来循环翻页，遍历每一个页面。
既然我们已经知道了翻页的规律了，那现在的重点就是获取歌单的页数。我们可以在箭头指引的地方，用开发者选项自带的复制方式，直接右键选择copy，copy selector直接复制CSS选择器语句；
标签： #m-pl-pager > div > a:nth-child(11)
#获取歌单网页的页数
result = bs.select('#m-pl-pager > div > a:nth-child(11)')
那接下来就是对单个歌单进行内容爬取了，由于我们爬取的内容较多，所以这里就不一一列举了，大家可以自行对比参照，不懂可以私信。
获取歌单名称
进入每一个页面，获取该页面的每一个歌单，进入单个歌单中，歌单名称，创建者，播放量等数据都存放在网页的同一个div内，
id='content-operation'
通过selector选择器选择各个内容的，由于是在网易云的网页版，因此在歌单内的歌曲并没有显示所有歌曲，只显示了10条歌曲，因此在爬取的时候每个歌单只获取了10条歌曲。如果还想要爬取每天歌曲更多详细内容，可以进入歌曲的url链接，获取更多的内容。
完整代码
这里我会定义一个内容类Content 和 网页信息类Website，进行结构化爬虫，如果不是很理解的话，可以看看我之前发过的内容，
Content类和 Website类
class Content:
def __init__(self, url, name, creator, play, collect, transmit, comment, tag,
introduce, sing_num, sing_name):
self.url = url
self.name = name
self.creator = creator
self.play = play
self.collect = collect
self.transmit = transmit
self.comment = comment
self.tag = tag
self.introduce = introduce
self.sing_num = sing_num
self.sing_name = sing_name
def print(self):
print("URL: {}".format(self.url))
print("NAME:{}".format(self.name))
print("CRAETOR:{}".format(self.creator))
print("PLAY:{}".format(self.play))
print("COLLECT:{}".format(self.collect))
print("TRANSMIT:{}".format(self.transmit))
print("COMMENT:{}".format(self.comment))
print("TAG:{}".format(self.tag))
print("INTRODUCE:{}".format(self.introduce))
print("SING_NUM:{}".format(self.sing_num))
print("SING_NAME:{}".format(self.sing_name))
class Website:
def __init__(self, searchUrl, resultUrl, pUrl, absoluterUrl, nameT, creatorT, playT, collectT, transmitT,
commentT, tagT, introduceT, sing_numT, sing_nameT):
self.resultUrl = resultUrl
self.searchUrl = searchUrl
self.absoluterUrl = absoluterUrl
self.pUrl = pUrl
self.nameT = nameT
self.creatorT = creatorT
self.playT = playT
self.collectT = collectT
self.transmitT = transmitT
self.commentT = commentT
self.tagT = tagT
self.introduceT = introduceT
self.sing_numT = sing_numT
self.sing_nameT = sing_nameT
爬取类 Crawler
from bs4 import BeautifulSoup
import re
import requests
import time
import random
import xlwt #进行excel操作
class Crawler:
#爬取网页函数
def getWeb(self, url):
try: #异常处理
#请求头
headers_ = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.95 Safari/537.36',
'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8'}
req = requests.get(url, headers = headers_)
req.encoding = "utf-8" #网页格式化，避免出现乱码
except requests.exceptions.RequestException:
return None
return BeautifulSoup(req.text, "html.parser")
#爬取所需内容的函数
def getContent(self, pageObj, selector):
childObj = pageObj.select(selector)
# print("\n".join(line.text for line in childObj))
return "\n".join(line.text for line in childObj)
#搜索函数，主函数
def search(self, topic, site):
# 爬取某种风格的歌单有多少页
newurl = site.searchUrl + topic
newurl = requests.utils.quote(newurl, safe=':/?=&') #对url链接上存在的中文字符进行处理
bs = self.getWeb(newurl)
result = bs.select('#m-pl-pager > div > a:nth-child(11)')
num = int("\n".join(link.text for link in result)) #某种风格歌单的页数
# 翻页，选取一种歌曲风格，有多个页面加载歌单，分别读取
for i in range(0, num+1):
j = 35*i
url = site.searchUrl + topic + '&limit=35&offset=' + str(j) #构造每个页面的url链接
url = requests.utils.quote(url, safe=':/?=&')
bs = self.getWeb(url)
searchResults = bs.select(site.resultUrl)
for link in searchResults:
url = link.attrs["href"]
# 判断是否为绝对链接
if(site.absoluterUrl):
bs = self.getWeb(url)
else:
bs = self.getWeb(site.pUrl + url)
# print(site.pUrl + url)
if(bs is None):
print("something was wrong with that page or URL. Skipping")
return
else:
#爬取歌曲名称
main = bs.find('ul',{'class':'f-hide'})
sing_name = "\n".join(music.text for music in main.find_all('a'))
# 爬取相关内容
data = [] #申请一个数组，以歌单为单位，存储每个歌单里面所需要的内容
url = site.pUrl + url
data.append(url)
# print(data)
# 加入一个参数，判断目前读取的数据是字符串还是整数
name = self.getContent(bs, site.nameT)
data.append(name)
creator = self.getContent(bs, site.creatorT)
data.append(creator)
play = self.getContent(bs, site.playT)
data.append(play)
collect = self.getContent(bs, site.collectT)
data.append(collect)
transmit = self.getContent(bs, site.transmitT)
data.append(transmit)
comment = self.getContent(bs, site.commentT)
data.append(comment)
tag = self.getContent(bs, site.tagT)
data.append(tag)
introduce = self.getContent(bs, site.introduceT)
data.append(introduce)
sing_num = self.getContent(bs, site.sing_numT)
data.append(sing_num)
# sing_name = self.getContent(bs, site.sing_nameT)
data.append(sing_name)
datalist.append(data) #以歌单为单位存入数组中
# print(datalist)
content = Content(url, name, creator, play, collect, transmit, comment, tag, introduce, sing_num, sing_name)
# content.print()
# return datalist
#数据写入文档
def saveData(self, datalist, savepath):
print("保存到Excel文件中！")
# xlwt.Workbook用来创建一个工作表，style_compression=0表示是否被压缩
music = xlwt.Workbook(encoding = 'utf-8', style_compression=0)
# 添加sheet表格，并允许重复修改
sheet = music.add_sheet('网易云音乐数据爬取', cell_overwrite_ok=True)
# 定义列名
col = ("url", "歌单名称", "创建者", "播放量", "收藏量", "转发量",
"评论量", "标签", "介绍", "歌曲数量", "歌曲名称" )
for i in range(0,11):
sheet.write(0, i, col[i]) #将列名写进表格
for i in range(0, len(datalist)-1):
# print("第{}行正在写入".format(i+1))
data = datalist[i]
for j in range(0, 11):
sheet.write(i+1, j, data[j])
music.save('E:/新建文件夹/Python爬虫/网易云音乐.xls')
print("数据保存成功！")
crawler = Crawler()
# searchUrl, resultUrl, pUrl, absoluterUrl, nameT, creatorT, playT, collectT, transmitT,
# commentT, tagT, introduceT, sing_numT, sing_nameT
#对应website类的参数，将website定义的参数进行实例化
siteData = [['https://music.163.com/discover/playlist/?cat=', 'a.msk',
'https://music.163.com', False, 'div.tit h2.f-ff2.f-brk', 'span.name a',
'strong#play-count', 'a.u-btni.u-btni-fav i', 'a.u-btni.u-btni-share i',
'#cnt_comment_count', 'div.tags.f-cb a i', 'p#album-desc-more',
'div.u-title.u-title-1.f-cb span.sub.s-fc3', 'span.txt a b']]
sites = []
datalist = []
for row in siteData:
sites.append(Website(row[0], row[1], row[2], row[3], row[4], row[5], row[6], row[7], row[8], row[9], row[10], row[11], row[12], row[13]))
topics = "华语" #选择自己想要的歌曲风格
time.sleep(random.random()*3)
for targetSite in sites:
crawler.search(topics, targetSite)
savepath = '网易云音乐.xls'
crawler.saveData(datalist, savepath)
爬取结果
爬取的结果
由于数据太多了，这里就只截取了一部分，有兴趣可以自己运行一下；
内容可视化
可视化代码
import pandas as pd
from pyecharts.charts import Pie #画饼图
from pyecharts.charts import Bar #画柱形图
from pyecharts import options as opts
import matplotlib.pyplot as plt
# 读入数据，需要更改
#可视化
data = pd.read_excel('网易云音乐.xls')
#根据播放量排序，只取前十个
df = data.sort_values('播放量',ascending=False).head(10)
v = df['歌单名称'].values.tolist() #tolist()将数据转换为列表形式
d = df['播放量'].values.tolist()
#设置颜色
color_series = ['#2C6BA0','#2B55A1','#2D3D8E','#44388E','#6A368B'
'#7D3990','#A63F98','#C31C88','#D52178','#D5225B']
# 实例化Pie类
pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
# 设置颜色
pie1.set_colors(color_series)
# 添加数据，设置饼图的半径，是否展示成南丁格尔图
pie1.add("", [list(z) for z in zip(v, d)],
radius=["30%", "135%"],
center=["50%", "65%"],
rosetype="area"
)
# 设置全局配置项
# TitleOpts标题配置项
# LegendOpts图例配置项 is_show是否显示图例组件
# ToolboxOpts()工具箱配置项 默认项为显示工具栏组件
pie1.set_global_opts(title_opts=opts.TitleOpts(title='播放量top10歌单'),
legend_opts=opts.LegendOpts(is_show=False),
toolbox_opts=opts.ToolboxOpts())
# 设置系列配置项
# LabelOpts标签配置项 is_show是否显示标签； font_size字体大小；
# position="inside"标签的位置，文字显示在图标里面； font_style文字风格
# font_family文字的字体系列
pie1.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position="inside", font_size=12,
formatter="{b}:{c}播放量", font_style="italic",
font_weight="bold", font_family="Microsoft YaHei"
),
)
# 生成html文档
pie1.render("E:/玫瑰图.html")
print("玫瑰图保存成功！")
print("-----"*15)
# print(df['创建者'].values.tolist())
bar = (
Bar()
.add_xaxis([i for i in df['创建者'].values.tolist()])
.add_yaxis('播放量排名前十对应的评论量', df['评论量'].values.tolist())
)
bar.render("E:/条形图.html")
print("柱形图保存成功！")
词云代码
import wordcloud
import pandas as pd
import numpy as np
data = pd.read_excel('网易云音乐.xls')
#根据播放量排序，只取前十个
data = data.sort_values('播放量',ascending=False).head(10)
print(data["歌单名称"])
#font_path指明用什么样的字体风格，这里用的是电脑上都有的微软雅黑
w1 = wordcloud.WordCloud(width=1000,height=700,
background_color='white',
font_path='msyh.ttc')
txt = "\n".join(i for i in data['歌单名称'])
w1.generate(txt)
w1.to_file('E:\\词云.png')`
玫瑰图
柱形图
词云
结束，有兴趣的朋友可以来交流一下，这期的内容就到这了，大家晚安，拜拜！
华为开发者空间，是为全球开发者打造的专属开发空间，汇聚了华为优质开发资源及工具，致力于让每一位开发者拥有一台云主机，基于华为根生态开发、创新。
更多推荐
74
1- 0
已为社区贡献3条内容
所有评论(0)