python抓取网页数据处理后可视化

抓取文章的链接，访问量保存到本地

 #coding=utf-8
 import requests as req
 import re
 import urllib
 from bs4 import BeautifulSoup
 import sys
 import codecs
 import time
 
 r=req.get('https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000',
          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'})
 content=r.text
 #print(content)
 soup=BeautifulSoup(content,'html.parser')
 
 #下面2行内容解决UnicodeEncodeError: 'ascii' codec can't encode characters in position 63-64问题,但是加了后print就打印不出来了，需要查原因
 reload(sys)
 sys.setdefaultencoding('utf-8')
 
 i=0
 for tag in soup.find_all(re.compile(r'^a{1}'),{'class':'x-wiki-index-item'}):
     i=i+1
     if i%3==0:
         time.sleep(30)
     name=tag.get_text()
     href='https://www.liaoxuefeng.com'+tag['href']
     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'})
     time.sleep(3)
     soup2=BeautifulSoup(req2.text,'html.parser')
     count=soup2.find_all('div',{'class':'x-wiki-info'})
     try:
         co=count[0].find('span').get_text()
         co=co[7:]
     except IndexError as e:
         co=''
     with open('E:/sg_articles.xlsx', 'a+') as f:
         f.write(codecs.BOM_UTF8)#解决写入csv后乱码问题
         f.write(name+','+href+','+co+'\n')
 '''
 睡眠是因为网页访问过多就会报503 Service Unavailable for Bot网站超过了iis限制造成的由于2003的操作系统在提示IIS过多时并非像2000系统提示“链接人数过多”
 http://www.51testing.com/html/53/15150753-4455790.html --数据可视化
 http://www.cnblogs.com/xxoome/p/5880693.html --python引入模块时import与from ... import的区别
 https://www.cnblogs.com/amou/p/9184614.html --讲解几种爬取网页的匹配方式
 https://www.cnblogs.com/yinheyi/p/6043571.html --python基本语法
 '''

上面代码的思路：先获取主网页，再遍历主网页上的文章链接并请求这些链接以进入子网页，从而获得子网页中span标签保存的访问量。

下面打开本地文件，pandas进行数据分析，然后pyecharts实现图形化

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

最后的结果

同时还有很多疑问，需要懂的朋友帮忙解答：

1.第一段代码中保存的xlsx格式，实际保存后打开是提示有损坏的，使用xml打开则就没有问题，另存为xls格式后打开也没有问题

2.访问量过多会报错，我就利用了sleep，但实际上访问量间断性的读取到了值，有的为什么读不到值了？

3.利用sort_values对count列进行排序取前3，这个会自动排除掉excel表格的第一行，不知道是为什么

感觉后面我还需要强化1）pandas数据处理的方法，比如分组排序等

2）正则表达式的提取

3）pyecharts的图形绘制

4）在遇到网页有反爬情况下的虚拟ip设置等

记录我的python学习之路，大家一起努力哟~~