项目实战，蛮适合新手小白的案例-创新互联

前言

Python 的知识很多，基本的入门就有很多东西要学，还有各种合样的库要学习。很多同学学了一段时间，进展很慢，学了前面忘了后面！今天我就给大家介绍一个非常简单的爬虫小例子，来综合练习，非常不错！

1.爬取的目标

我们这次选择一个比较好玩的网站叫"好奇心日报",里面的内容非常有趣，而且图片都是高清，非常漂亮，今天我们就探索一下好奇心日报的爬取。

2.准备工作

前期需要对这个网站进行简单的分析，网页的结构，源码的查看，有无反爬策略等等。

1）第一步是发现好奇心日报的文章地址编码是按数字递增的，例如： http://www.qdaily.com/articles/38425.html

2）截止今天，好奇心日报的文章编码已经从1到55613了，共5万篇文章。

3）然后我发现文章的标题，分享数和文章发布日期都写死在页面里，但是评论数不在页面中 。

4）为了找到评论数，我使用谷歌浏览器的F12的 network 功能，发现了评论是通过json 数据获得的，地址类似： http://www.qdaily.com/comments/article/38425/0.json  。

5）看到 json 的数据自带评论，于是我顺便把评论的内容也爬下来了，顺便做一个评论的词云

看个人资料，有Python资料

3.主体代码

1）先创建数据库

数据库我们用选择最最简单的 sqlite3 ,这个数据非常适合小白入门。这个库的详细用法。

用一个类QDaily_DB来专门处理db的创建，保存和关闭.上面的代码是创建部分：

1）创建一个数据库名字叫qdaily.db,里面分布建2张表
2）一张表qdality用来保存好奇心日报的id,标题,点赞分享数，日期和评论数
3）一张表comments用来保存好奇心日报的id和每一条评论的内容

2）网页爬取

网页的爬取，我们这里并没有用什么高深的库和爬虫框架，用简单的requests+bs4的组合，这一个一套比较适合小白上手的库，也没有用并发框架。

1).网页的下载

前面说了，好奇心日报的url的规则已经找到，只要一个一个解析就行！

• 我们输入一个id,来构造一个url,然后把这个url填入到requests中解析即可。

• 注意编码方式，获得页面的内容html_content，然后把详细的html_content内容填入parse_html类函数中进行详细处理.

• 为了防止出现爬取异常，一定要加入try/except和finally这样的异常保护

3).页面的解析和评论内容的获取

下面就是这个项目稍微难有点的地方，需要用BeautifulSoup来详细解析页面的内容。

评论区的内容稍微有一点点的复制，需要用构造一个header取获取，直接解析页面无法获取。

sqlite的操作非常简单，用的也是SQL的语法，上手来说非常方便。我们用insert语句动态插入数据，然后execute去执行，最后不要忘记commit!

05.：数据的展示

爬完5万篇文章用了快一天，虽然多线程可以加快速度，但我采用单线程减轻好奇心日报服务器的压力， 先是根据文章分享数排序：

然后是根据文章的评论数排序：

06：好奇心日报文章id与评论数的关系

感觉好奇心日报用的人越来越多了，那么随着id的增加，文章的平均评论数应该也会增加。

可以看出越到后面，平均每篇文章的分享数就越多，反映出好奇心日报的用户数变多

07：根据评论生成词云

用matplotlib和wordcloud库生成一个词云评论图，看看哪些关键字比较集中！

生成的词云结果如下

发现评论比较多的是"哈哈哈"，"是的"，"呵呵","谢谢"这样的短口语词汇。整个这个实战小例子还是非常有趣的，从数据爬取-数据入库，数据分析和词云，一条龙服务，还是非常值得去试试，对初学者强化基础知识，入门比较有帮助。