python爬虫爬取汽车页面信息，并附带分析，静态爬虫
环境：
windows，python3.4
参考链接：
https://blog.csdn.net/weixin_36604953/article/details/78156605
代码：（亲测可以运行）
1 import requests
2 from bs4 import BeautifulSoup
3 import re
4 import random
5 import time
6
7
8 # 爬虫主函数
9 def mm(url):
10 # 设置目标url，使用requests创建请求
11 header = {
12 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
13 req0 = requests.get(url=url, headers=header)
14 req0.encoding = "gb18030" # 解决乱码问题
15 html0 = req0.text
16
17 # 使用BeautifulSoup创建html代码的BeautifulSoup实例，存为soup0
18 soup0 = BeautifulSoup(html0, "html.parser")
19
20 # 获取最后一页数字，对应-122（对照前一小节获取尾页的内容看你就明白了）
21 total_page = int(soup0.find("div", class_="pagers").findAll("a")[-2].get_text())
22 myfile = open("aika_qc_gn_1_1_1.txt", "a", encoding='gb18030', errors='ignore') # 解决乱码问题
23 print("user", " 来源", " 认为有用人数", " 类型", " comment")
24 NAME = "user" + " 来源" + " 认为有用人数" + " 类型" + " comment"
25 myfile.write(NAME + "\n")
26 for i in list(range(1, total_page + 1)):
27 # 设置随机暂停时间
28 stop = random.uniform(1, 3)
29
30 url = "http://newcar.xcar.com.cn/257/review/0/0_" + str(i) + ".htm"
31 req = requests.get(url=url, headers=header)
32 req.encoding = "gb18030" # 解决乱码问题
33 html = req.text
34
35 soup = BeautifulSoup(html, "html.parser")
36 contents = soup.find('div', class_="review_comments").findAll("dl")
37 l = len(contents)
38 for content in contents:
39 tiaoshu = contents.index(content)
40 try:
41 ss = "正在爬取第%d页的第%d的评论，网址为%s" % (i, tiaoshu + 1, url)
42 print(ss) # 正在爬取的条数
43 try:
44
45 # 点评角度
46 comment_jiaodu = content.find("dt").find("em").find("a").get_text().strip().replace("\n",
47 "").replace(
48 "\t", "").replace("\r", "")
49 except:
50 comment_jiaodu = "sunny"
51 try:
52
53 # 点评类型
54 comment_type0 = content.find("dt").get_text().strip().replace("\n", "").replace("\t", "").replace(
55 "\r",
56 "")
57 comment_type1 = comment_type0.split("【")[1]
58 comment_type = comment_type1.split("】")[0]
59 except:
60 comment_type = "sunny"
61
62 # 认为该条评价有用的人数
63 try:
64 useful = int(
65 content.find("dd").find("div", class_="useful").find("i").find(
66 "span").get_text().strip().replace(
67 "\n", "").replace("\t", "").replace("\r", ""))
68 except:
69 useful = "sunny"
70
71 # 评论来源
72 try:
73 comment_region = content.find("dd").find("p").find("a").get_text().strip().replace("\n",
74 "").replace(
75 "\t", "").replace("\r", "")
76 except:
77 comment_region = "sunny"
78
79 # 评论者名称
80 try:
81 user = \
82 content.find("dd").find("p").get_text().strip().replace("\n", "").replace("\t", "").replace(
83 "\r",
84 "").split(
85 "：")[-1]
86 except:
87 user = "sunny"
88
89 # 评论内容
90 try:
91 comment_url = content.find('dt').findAll('a')[-1]['href']
92 urlc = comment_url
93 headerc = {
94 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"}
95 reqc = requests.get(urlc, headers=headerc)
96 htmlc = reqc.text
97 soupc = BeautifulSoup(htmlc, "html.parser")
98
99 comment0 = \
100 soupc.find('div', ).find('div', class_='maintable').findAll('form')[1].find('table',
101 class_='t_msg').findAll(
102 'tr')[1]
103 try:
104 comment = comment0.find('font').get_text().strip().replace("\n", "").replace("\t", "")
105 except:
106 comment = "sunny"
107 try:
108 comment_time = soupc.find('div', ).find('div', class_='maintable').findAll('form')[
109 1].find('table', class_='t_msg').find('div',
110 ).get_text().strip().replace(
111 "\n", "").replace(
112 "\t", "")[4:]
113 except:
114 comment_time = "sunny"
115 except:
116 try:
117 comment = \
118 content.find("dd").get_text().split("\n")[-1].split('\r')[-1].strip().replace("\n",
119 "").replace(
120 "\t", "").replace("\r", "").split("：")[-1]
121 except:
122 comment = "sunny"
123
124 time.sleep(stop)
125 print(user, comment_region, useful, comment_type, comment)
126
127 tt = user + " " + comment_region + " " + str(useful) + " " + comment_type + " " + comment
128 myfile.write(tt + "\n")
129 except Exception as e:
130 print(e)
131 s = "爬取第%d页的第%d的评论失败，网址为%s" % (i, tiaoshu + 1, url)
132 print(s)
133 pass
134 myfile.close()
135
136
137 # 统计评论分布
138 def fenxi():
139 myfile = open("aika_qc_gn_1_1_1.txt", "r")
140 good = 0
141 middle = 0
142 bad = 0
143 nn = 0
144 for line in myfile:
145 commit = line.split(" ")[3]
146 if commit == "好评":
147 good = good + 1
148 elif commit == "中评":
149 middle = middle + 1
150 elif commit == "差评":
151 bad = bad + 1
152 else:
153 nn = nn + 1
154 count = good + middle + bad + nn
155 g = round(good / (count - nn) * 100, 2)
156 m = round(middle / (count - nn) * 100, 2)
157 b = round(bad / (count - nn) * 100, 2)
158 n = round(nn / (count - nn) * 100, 2)
159 print("好评占比：", g)
160 print("中评占比：", m)
161 print("差评占比：", b)
162 print ("未评论：", n)
163
164
165 url = "http://newcar.xcar.com.cn/257/review/0.htm"
166 mm(url)
167 fenxi()BeautifulSoup神器
Python一个第三方库bs4中有一个BeautifulSoup库，是用于解析html代码的，换句话说就是可以帮助你更方便的通过标签定位你需要的信息。这里只介绍两个比较关键的方法：
1、find方法和findAll方法：
首先，BeautifulSoup会先将整个html或者你所指定的html代码编程一个BeautifulSoup对象的实例（不懂对象和实例不要紧，你只要把它当作是一套你使用F12看到的树形html代码代码就好），这个实例可以使用很多方法，最常用的就是find和findAll，二者的功能是相同的，通过find( )的参数，即find( )括号中指定的标签名，属性名，属性值去搜索对应的标签，并获取它，不过find只获取搜索到的第一个标签，而findAll将会获取搜索到的所有符合条件的标签，放入一个迭代器（实际上是将所有符合条件的标签放入一个list），findAll常用于兄弟标签的定位，如刚才定位口碑信息，口碑都在dl标签下，而同一页的10条口碑对应于10个dl标签，这时候用find方法只能获取第一个，而findAll会获取全部的10个标签，存入一个列表，想要获取每个标签的内容，只需对这个列表使用一个for循环遍历一遍即可。
2、get_text()方法：
使用find获取的内容不仅仅是我们需要的内容，而且包括标签名、属性名、属性值等，比如使用find方法获取"<Y yy='aaa'>xxxx</Y>" 的内容xxxx，使用find后，我们会得到整个"<Y yy='aaa'>xxxx</Y>"，十分冗长，实际我们想要的仅仅是这个标签的内容xxxx，因此，对使用find方法后的对象再使用get_text( )方法，就可以得到标签的内容了，对应到这里，我们通过get_text( )方法就可以得到xxxx了。
