“使用pandas保存豆瓣短评数据”的版本间的差异

2019年6月8日 (六) 07:34的最新版本

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

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/span/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

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

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

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'])

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') #保存中文时要更改编码格式：encoding='gbk'，或者其他格式

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

#爬取评论
url = 'https://book.douban.com/subject/1084336/comments/'
r = requests.get(url).text

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

#评论转换为字典
import pandas as pd

num = 0
aDict ={}
for i in file:
    aDict[num] = str(i)
    #print(aDict[num])
    num += 1

#字典存储进DataFrame
df = pd.DataFrame.from_dict(aDict, orient='index')
print(df)

#由DataFrame写入Excel
writer = pd.ExcelWriter('pinglun2.xlsx')
df.to_excel(writer,'Sheet1',encoding='utf-8')
writer.save()

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。

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

num = 0
aDict ={} #初始化用于保存短评的字典
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/span/text()')
    for i in file:
        aDict[num] = str(i)
        #print(aDict[num])
        num += 1
    

#df = pd.DataFrame(pinglun) #把pinglun列表转换为pandas DataFrame
#df.to_excel('pinglun4.xlsx') #使用pandas把数据保存到excel表格

#字典存储进DataFrame
df = pd.DataFrame.from_dict(aDict, orient='index')
print(df)

#由DataFrame写入Excel
writer = pd.ExcelWriter('pinglun4.xlsx')
df.to_excel(writer,'Sheet1',encoding='utf-8')
writer.save()

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官方文档中可以查看到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