@1-5使用pandas保存豆瓣短评数据

使用pandas保存豆瓣短评数据

Python爬虫（入门+进阶）     DC学院

本节课程的内容是介绍open函数和pandas两种保存已爬取的数据的方法，并通过实际例子使用pandas保存数据。

保存数据的方法：

• open函数保存
• pandas包保存（本节课重点讲授）
• csv模块保存
• numpy包保存

使用open函数保存数据

1. open函数用法

• 使用with open()新建对象

• 写入数据

  import requests
  from lxml import etree
   
  url = 'https://book.douban.com/subject/1084336/comments/'
  r = requests.get(url).text
   
  s = etree.HTML(r)
  file = s.xpath('//div[@class="comment"]/p/text()')
   
  with open('pinglun.txt', 'w', encoding='utf-8') as f: #使用with open()新建对象f
  for i in file:
  print(i)
  f.write(i) #写入数据，文件保存在当前工作目录

• 可以使用以下方法得到当前工作目录或者修改当前工作目录

  import os
  os.getcwd()#得到当前工作目录
  os.chdir()#修改当前工作目录，括号中传入工作目录的路径

2. open函数的打开模式

参数	用法
r	只读。若不存在文件会报错。
w	只写。若不存在文件会自动新建。
a	附加到文件末尾。
rb, wb, ab	操作二进制
r+	读写模式打开

使用pandas保存数据

1. Python数据分析的工具包

• numpy： (Numerical Python的简称)，是高性能科学计算和数据分析的基础包
• pandas：基于Numpy创建的Python包，含有使数据分析工作变得更加简单的高级数据结构和操作工具
• matplotlib：是一个用于创建出版质量图表的绘图包（主要是2D方面）
• 常见的导入方法： 
  import pandas as pd #导入pandas
  import numpy as np #导入numpy
  import matplotlib.pypolt as plt #导入matplotlib

注意：pandas 、numpy和matplotlib都需要事先安装

2. pandas保存数据到Excel

• 导入相关的库
• 将爬取到的数据储存为DataFrame对象（DataFrame 是一个表格或者类似二维数组的结构，它的各行表示一个实例，各列表示一个变量）

• to_excel() 实例方法：用于将DataFrame保存到Excel

  df.to_excel('文件名.xlsx', sheet_name = 'Sheet1') #其中df为DataFrame结构的数据，sheet_name = 'Sheet1'表示将数据保存在Excel表的第一张表中

• read_excel() 方法：从excel文件中读取数据

  pd.read_excel('文件名.xlsx', 'Sheet1', index_col=None, na_values=['NA'])

3. pandas保存数据到csv文件

• 导入相关的库
• 将数据储存为DataFrame对象
• 保存数据到csv文件 
  import pandas as pd
  import numpy as np
  df = pd.DataFrame(np.random.randn(6,3)) #创建随机值并保存为DataFrame结构
  print(df.head())
  df.to_csv('numpppy.csv')

实战环节

结合之前学习的获取数据、解析数据的知识，爬取《小王子》豆瓣短评的数据，并把数据保存为本地的excel表格

import requests

from lxml import etree

 

url = 'https://book.douban.com/subject/1084336/comments/'

r = requests.get(url).text

 

s = etree.HTML(r)

file = s.xpath('//div[@class="comment"]/p/text()')

 

import pandas as pd

df = pd.DataFrame(file)

df.to_excel('pinglun.xlsx')

注意：如果运行以上程序出现ImportError: No module named ‘openpyxl’错误，那么需要先安装“openpyxl”模块。

造数爬虫与Python爬虫的对比

造数爬虫	Python爬虫
可视化界面	无可视化界面
学习时间短，容易上手	学习时间较长，难度较大
可以用于快速爬取拉勾、IT桔子、京东、大众点评等网站的公开数据	可以用于爬取符合Robots协议的所有想要爬取的公开数据

可登录造数科技网站了解造数爬虫的详细情况和使用方法。

课后作业

• 使用csv保存数据，了解更多的操作
• 学习如何使用造数
• 思考如何在Python爬虫中翻页

• 参考代码：爬取《小王子》豆瓣短评前5页的短评数据

  import requests
  from lxml import etree
  import pandas as pd
   
  urls=['https://book.douban.com/subject/1084336/comments/hot?p={}'.format(str(i)) for i in range(1, 6, 1)] #通过观察的url翻页的规律，使用for循环得到5个链接，保存到urls列表中
   
  pinglun = [] #初始化用于保存短评的列表
  for url in urls: #使用for循环分别获取每个页面的数据，保存到pinglun列表
  r = requests.get(url).text
  s = etree.HTML(r)
  file = s.xpath('//div[@class="comment"]/p/text()')
  pinglun = pinglun + file
   
  df = pd.DataFrame(pinglun) #把pinglun列表转换为pandas DataFrame
  df.to_excel('pinglun.xlsx') #使用pandas把数据保存到excel表格

• 思考一下，以上代码还有什么更加简洁的写法

补充知识

• 阅读csv模块官方文档，了解使用csv模块保存数据的方法
• 可以前往一译中文文档，获取到Python安装包的中文文档，学习起来更加流畅
• 在pandas中文文档中可以查看到pandas全面的用法
• 在10分钟了解pandas中可以快速了解和学习pandas的基本操作
• 阅读pandas读取和储存数据，学习使用pandas读取和储存数据的更多详细操作

Python爬虫（入门+进阶）    造数科技   主讲

更多数据科学课程，上DC学院

关注DC，获取更多学习资源