Python的charts和Jupyter的使用 使数据可视化 对58同城的爬取

尝试学习了将爬取的数据进行清洗，更新数据库后。进行可视化。记录一部分

主要是对两个库的使用

使用pip进行安装

jupyter安装后再cmd下输入 jupyter notebook

成功的话会跳转到浏览器：

确实好用方便

在jupyter中编写

有个库是string中的。是标点符号的库。
punctuation
if not in punctuation

可以做数据的清洗过滤。如果不是标点符号

清洗数据后，更新
update方法
db.collection.update()
接收两个参数
1. 更新哪个文件
2. 怎么改。

如下图：

其他操作符

清洗后
可视化

Charts

例子：

import charts#数据series =[    {    'name':'OS X',    'data':[11],    'type':'column'    },    {'name':'Ubuntu',     'data':[8],    'type':'column'    },    {'name':'Windows',     'data':[12],     'type':'column'    },    {'name':'Other',     'data':[29],     'type':'column'    }]#使用charts绘画charts.plot(series,show='inline',options=dict(title=dict(text='Charts test')))

运行后：好方便！

我也百度看的别人的博客

http://www.cnblogs.com/pangduzi/p/5889896.html

这个就写的很详细。我也记录下，方便以后使用。

我也爬取了一会58二手数据。。。但是没让电脑跑那么久。
看到这位大佬也爬取了
http://www.cnblogs.com/pangduzi/p/5889952.html

学习了。

对这几天学习的爬取做下总结：
更加熟练的使用BeautifulSoup了。结合谷歌浏览器的复制来获取其分析路径。
然后用其的select方法来获取。

还有对其网页进行分析。
使用多进程快些。多核的话多进程比多线程更快些。

记录下当时的笔记：

对58同城的二手市场爬取

先进入二手市场首页，然后获取所有二手分类

分析就是

Ul下的li下的b的a

ul.ym-submnu > li > b > a

但是返回的只是后面的，并不是完整的url，那么拼接

# -*- coding: UTF-8 -*-import requestsfrom bs4 import BeautifulSoup#二手首页，然后获取每个二手分类的urlstart_url = 'http://cd.58.com/sale.shtml'def get_channel_urls(url):    wb_data = requests.get(start_url)    soup = BeautifulSoup(wb_data.content)    links = soup.select('ul.ym-submnu > li > b > a')    for link in links:        page_url = 'http://cd.58.com/'+link.get('href')        print(page_url)get_channel_urls(start_url)

然后获取每个分类也后的每个商品的url，并存入mongoDB

# -*- coding: UTF-8 -*-import requestsfrom bs4 import BeautifulSoupimport timeimport pymongo#将爬取的url放入数据库，先建立数据库client = pymongo.MongoClient('localhost',27017)ceshi = client['ceshi']url_list = ceshi['url_list']#第一个爬虫，抓起列表中的url#每一个二手分类频道里的每个商品获取其urldef get_links_from(channel,pages,who_sells=0):    #http://cd.58.com/diannao/pn2    #页面变的就是pn ，who_sells是分类个人还是商家 默认0也就是个人    list_view = '{}{}/pn{}'.format(channel,str(who_sells),str(pages))    wb_data = requests.get(list_view)    time.sleep(1)    soup = BeautifulSoup(wb_data.content)    for link in soup.select('td.t a.t'):        item_link =link.get('href').split('?')[0]        url_list.insert({'url':item_link})        print(item_link)get_links_from('http://cd.58.com//danche/',2)

但是输入过大的页面有可能就没有了

那么做个判断。
比较有与没有的差别
在于是否有商品，用的是td

就在for前面加个判断

if soup.find('td','t'):    for link in soup.select('td.t a.t'):        item_link =link.get('href').split('?')[0]        url_list.insert({'url':item_link})        print(item_link)else:    pass

然后第二个爬取，爬取每个商品的详细信息

有可能之前爬取的url突然删除了或者已经交易出去了。

返回的是404页面。那么做个判断
404在 script标签中有404就是灰跳转到404

#爬取商品的详细信息def get_item_info(url):    wb_data = requests.get(url)    soup = BeautifulSoup(wb_data.content)    #有可能之前爬取的url突然删除了或者已经交易出去了。    no_longer_exist = '404' in soup.find('script',type="text/javascript").get('src').split('/')    if no_longer_exist:        pass    else:        title = soup.title.text        price = soup.select('span.price.c_f50')[0].text        date = soup.select('.time')[0].text        #有的有可能会没有所有在后面做了个if else的判断        ##content > div.person_add_top.no_ident_top > div.per_ad_left > div.col_sub.sumary > ul > li:nth-child(3) > div.su_con > span        area = list(soup.select('#content > div.person_add_top.no_ident_top > div.per_ad_left > div.col_sub.sumary > ul > li:nth-of-type(3) > div.su_con > span > a:nth-of-type(1)')[0].text) if soup.find('span','c_25d') else None        item_info.insert({'title':title,'price':price,'date':date,'area':area})        print(area)get_item_info('http://cd.58.com/diannao/23276725917860x.shtml')

设置代理的话

先有代理ip和端口
然后proxies={‘http’:那个代理}
Request.get(url,headers=headers,proxies=proxies)

对于类似二手交易网站的爬取。
先爬取频道，分析其url。
先进入一个频道，然后分析其商品和需要的数据。使用beautifulsoup来解析，使用谷歌的复制方便些，也可以自己分析其结构。
然后可以进入这个商品的详细信息分析。
使用MongoDB实在是有够方便。。。。

一个爬虫：爬取所有频道url
一个爬取把放入的频道url进行商品的爬取。
还可以写个每个商品的详细信息爬取。
使用多进程要快与多进程5-7倍。单核的电脑不要使用多进程。
可以写个监视py 也就是简单来说每隔一定时间查询数据库中的数据量。

就是多写，多分析。多使用一些python方便的库~