导语：
哈喽，哈喽~小编认为在现这个冲满代沟的时代中，唯一没有代沟的就是小说了吧，就拿”霸道总裁“文来说，上至80岁的老人，18岁的少年，都爱看。可以说的是小说是很多人的精神食粮......
今天我们使用selenium爬取红袖天香网站小说数据，并做简单数据可视化分析。
正文：
网页初步分析
打开网页如图所示：
我们要把小说分类里面的所有小说数据全部抓取下来：总共有50个页面，每页20条数据，一共1000条数据。
首先使用requests第三方库请求数据,如下所示:
import requests
url = 'https://www.hongxiu.com/category/f1_f1_f1_f1_f1_f1_0_1' # 第一页url
headers = { 'xxx' : 'xxx'}
res = requests.get(url,headers=headers)
print(data.content.decode('utf-8'))我们发现请求回来的数据并没有第一页的小说数据信息，很明显数据不在网页源码里面，然后通过查看network，发现了这样的请求字段：
_csrfToken: btXPBUerIB1DABWiVC7TspEYvekXtzMghhCMdN43
_: 1630664902028这个是做了js加密，所以为了避免分析加密方式，使用selenium爬取数据可能更快一些。
selenium 爬取数据
01 初步测试
from selenium import webdriver
import time
url = 'https://y.qq.com/n/ryqq/songDetail/0006wgUu1hHP0N'
driver = webdriver.Chrome()
driver.get(url)结果运行正常，没有问题。
02 小说数据
明确要爬取的小说数据信息
然后通过点击下一页的按钮观察是否是动态数据：发现不是；url规律如下所示：
'https://www.hongxiu.com/category/f1_f1_f1_f1_f1_f1_0_1' # 第一页的url
'https://www.hongxiu.com/category/f1_f1_f1_f1_f1_f1_0_2' # 第二页的url03 解析数据
下面是解析页面数据的代码:
def get_data():
ficList = [] # 存储每一页的数据
items = driver.find_elements_by_xpath("//div[@class="right-book-list"]/ul/li")
for item in items:
dic = {}
imgLink = item.find_element_by_xpath("./div[1]/a/img").get_attribute('src')
# 1.图片链接 2.小说名称(name) 3.小说类型(types) ....
dic['img'] = imgLink
# ......
ficList.append(dic)这里有几个需要注意的点:
-
注意xpath语句书写，注意细节，不要出错;
-
对于小说简介，有的简介比较长，有换行符，为了便于存储，需要使用字符串的replace方法把'\n'替换为空字符串
04 翻页爬取
下面是翻页爬取数据的代码:
try:
time.sleep(3)
js = "window.scrollTo(0,100000)"
driver.execute_script(js)
while driver.find_element_by_xpath( "//div[@class='lbf-pagination']/ul/li[last()]/a"):
driver.find_element_by_xpath("//div[@class='lbf-pagination']/ul/li[last()]/a").click()
time.sleep(3)
getFiction()
print(count, "*" * 20)
count += 1
if count >= 50:
return None
except Exception as e:
print(e)代码说明:
-
使用
try语句，进行异常处理，防止有什么特殊页面的元素无法匹配或者其它问题。 -
driver执行js代码，操作滚轮，滑动到页面底部。
js = "window.scrollTo(0,100000)"
driver.execute_script(js)-
time.sleep(n)因为循环里面添加了解析函数(driver定位)需要等待数据加载完全。 -
while循环语句，while后面的是‘下一页’按钮定位，保证循环的爬取下一页的数据。 -
使用
if语句作为判断条件，作为while循环推出的条件，然后要使用return退出函数，break不行。
05 数据保存
titles = ['imgLink', 'name', 'author', 'types', 'pink','popu','intro']
with open('hx.csv',mode='w',encoding='utf-8',newline='') as f:
writer = csv.DictWriter(f, titles)
writer.writeheader()
writer.writerows(data)
print('写入成功')06 程序运行
使用selenium爬取数据的一些注意点:
① 点击下一页之后，数据不可能瞬间加载完全，一旦数据没有加载完全，那么使用webdriver的find_Element_by_xpath语句就会定位不到dom文档上的元素，进而抛出一个错误：
② 在动态点击下一页按钮时，需要精准定位到下一页的按钮，其次很重要的一共问题，selenium打开浏览器页面时，需要窗口最大化。
由于窗口右侧有一个绝对定位的二维码小窗口，如果不窗口最大化，那个该窗口就会挡住下一页按钮导致无法点击，这个需要注意。
数据分析与可视化
打开文件
import pandas as pd
data = pd.read_csv('./hx.csv')
data.head() 
根据我们的数据信息可以做如下的可视化展示：
01 不同类型小说占比
pyecharts饼图
from pyecharts import options as opts
from pyecharts.charts import Page, Pie
pie=(
Pie()
.add(
"",
[list(z) for z in zip(types, number)],
radius=["40%", "75%"],
)
.set_global_opts(
title_opts=opts.TitleOpts(title="不同类型小说占比"),
legend_opts=opts.LegendOpts(
orient="vertical", pos_top="15%", pos_left="2%"
),
)
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
pie.render('pie.html')结果如图
由图可知，言情小说占据所有小说半壁江山。
02 完结小说占比
from pyecharts import options as opts
from pyecharts.charts import Page, Pie
ty = ['已完结','连载中']
num = [723,269]
pie=(
Pie()
.add("", [list(z) for z in zip(ty,num)])
.set_global_opts(title_opts=opts.TitleOpts(title="完结小说占比"))
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
pie.render('pie1.html')结果如图：
由图可知，仍有超1/4的小说正在连载中。
03 小说简介词云图展示
生成.txt文件
with open('hx.txt','a',encoding='utf-8') as f:
for s in data['intro']:
f.write(s + '\n')初始化设置
# 导入相应的库
import jieba
from PIL import Image
import numpy as np
from wordcloud import WordCloud
import matplotlib.pyplot as plt
# 导入文本数据并进行简单的文本处理
# 去掉换行符和空格
text = open("./hx.txt",encoding='utf-8').read()
text = text.replace('\n',"").replace("\u3000","")
# 分词，返回结果为词的列表
text_cut = jieba.lcut(text)
# 将分好的词用某个符号分割开连成字符串
text_cut = ' '.join(text_cut)词云展示
word_list = jieba.cut(text)
space_word_list = ' '.join(word_list)
# print(space_word_list) 打印文字 可以省略
# 调用包PIL中的open方法，读取图片文件，通过numpy中的array方法生成数组
mask_pic = np.array(Image.open("./xin.png"))
word = WordCloud(
font_path='C:/Windows/Fonts/simfang.ttf', # 设置字体，本机的字体
mask=mask_pic, # 设置背景图片
background_color='white', # 设置背景颜色
max_font_size=150, # 设置字体最大值
max_words=2000, # 设置最大显示字数
stopwords={'的'} # 设置停用词，停用词则不在词云途中表示
).generate(space_word_list)
image = word.to_image()
word.to_file('h.png') # 保存图片
image.show()结果如图
这里不能从图中看出特别的内容，我们可以考虑其他的一些更加有效的自然语言分析与处理方法，此处留给读者朋友们一起思考。
04 根据类型分析小说热度排行
from pyecharts.charts import Bar
from pyecharts import options as opts
bar = Bar()
bar.add_xaxis(list(c['types'].values))
bar.add_yaxis('小说热度排行',numList)
bar.set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=45)))
bar.render()结果如图
可以看出来，言情小说从古至今都是永恒的话题...
05 不同作者热点小说占比
我们通过查看作家写的小说数量，得到以下结果:
根据写作数量最多的前三位作家，他们只写了言情小说，后两位写了多种小说。接下来分别分析这些小说家中言情小说家及其他小说家的热度。
言情小说家热度
from pyecharts import options as opts
from pyecharts.charts import Page, Pie
attr = ["希行", "吱吱", "青铜穗"]
v1 = [1383,1315,1074]
pie=(
Pie()
.add("", [list(z) for z in zip(attr,v1)])
.set_global_opts(title_opts=opts.TitleOpts(title="言情小说作家热度"))
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
pie.render('pie.html')这三个小说家热度伯仲之间，当然，热度最高的当属希行。
两大小说家热度排行
from pyecharts.charts import Bar
from pyecharts import options as opts
bar = Bar()
#指定柱状图的横坐标
bar.add_xaxis(['玄幻','奇幻','仙侠'])
#指定柱状图的纵坐标，而且可以指定多个纵坐标
bar.add_yaxis("唐家三少", [2315,279,192])
bar.add_yaxis("我吃西红柿", [552,814,900])
#指定柱状图的标题
bar.set_global_opts(title_opts=opts.TitleOpts(title="热度小说排行"))
#参数指定生成的html名称
bar.render('tw.html')
如图所示，唐家三少的玄幻小说更加突出，而 我吃西红柿 三种小说热度更加平均。
最后
这个爬取红袖添香网站小说页面数据，我们使用到selenium进行数据抓取，由于页面的js加密，所以使用到selenium，然后对于注意点进行总结：
① selenium爬取数据需要注意几点:
-
各种元素的定位需要精确;
-
由于使用selenium需要加载js代码,元素需要全部加载完全,才能进行定位,所以打开网页需要设置time.sleep(n);
-
然后对于很多网站都有个绝对定位的元素,可能是二维码...,固定在电脑屏幕的位置,不会随着页面滚轮的滚动而移动,所以需要页面最大化,防止该窗口挡住页面元素,导致无法点击或者其它操作。
② 在数据可视化展示的时候要进行数据清洗，因为有的数据是不规范的，比如会出现这样的错误：
'utf-8' codec can't decode byte 0xcb in
position 2: invalid continuation byte
这是由于编码方式的不同导致，一般通过查看页面meta标签的charset属性得到编码方式，设置pandas打开文件时的encoding的属性值；如果还是报错，可以把属性值修改成 'gb18030'
<meta charset="UTF-8">👇
这行蓝色的字体也行wo~
