『爬虫四步走』手把手教你使用Python抓取并存储网页数据!

爬虫是Python的一个重要的应用,使用Python爬虫我们可以轻松的从互联网中抓取我们想要的数据,本文将基于爬取B站视频热搜榜单数据并存储为例,详细介绍Python爬虫的基本流程。如果你还在入门爬虫阶段或者不清楚爬虫的具体工作流程,那么应该仔细阅读本文!

  第一步:尝试请求

首先进入b站首页,点击排行榜并复制链接

https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3

现在启动Jupyter notebook,并运行以下代码

import requestsurl = 'https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3'res = requests.get('url')print(res.status_code)#200

在上面的代码中,我们完成了下面三件事

  • 导入requests

  • 使用get方法构造请求

  • 使用status_code获取网页状态码

可以看到返回值是200,表示服务器正常响应,这意味着我们可以继续进行。

  第二步:解析页面

在上一步我们通过requests向网站请求数据后,成功得到一个包含服务器资源的Response对象,现在我们可以使用.text来查看其内容

可以看到返回一个字符串,里面有我们需要的热榜视频数据,但是直接从字符串中提取内容是比较复杂且低效的,因此我们需要对其进行解析,将字符串转换为网页结构化数据,这样可以很方便地查找HTML标签以及其中的属性和内容。

在Python中解析网页的方法有很多,可以使用正则表达式,也可以使用BeautifulSouppyquerylxml,本文将基于BeautifulSoup进行讲解.

Beautiful Soup是一个可以从HTML或XML文件中提取数据的第三方库.安装也很简单,使用pip install bs4安装即可,下面让我们用一个简单的例子说明它是怎样工作的

  1. from bs4 import BeautifulSoup
  2. page = requests.get(url)
  3. soup = BeautifulSoup(page.content, 'html.parser')
  4. title = soup.title.text 
  5. print(title)
  6. # 热门视频排行榜 - 哔哩哔哩 (゜-゜)つロ 干杯~-bilibili

在上面的代码中,我们通过bs4中的BeautifulSoup类将上一步得到的html格式字符串转换为一个BeautifulSoup对象,注意在使用时需要制定一个解析器,这里使用的是html.parser

接着就可以获取其中的某个结构化元素及其属性,比如使用soup.title.text获取页面标题,同样可以使用soup.bodysoup.p等获取任意需要的元素。

  第三步:提取内容

在上面两步中,我们分别使用requests向网页请求数据并使用bs4解析页面,现在来到最关键的步骤:如何从解析完的页面中提取需要的内容

Beautiful Soup中,我们可以使用find/find_all来定位元素,但我更习惯使用CSS选择器.select,因为可以像使用CSS选择元素一样向下访问DOM树。

现在我们用代码讲解如何从解析完的页面中提取B站热榜的数据,首先我们需要找到存储数据的标签,在榜单页面按下F12并按照下图指示找到

可以看到每一个视频信息都被包在class='rank-item'li标签下,那么代码就可以这样写????

all_products = []products = soup.select('li.rank-item')for product in products:    rank = product.select('div.num')[0].text    name = product.select('div.info > a')[0].text.strip()    play = product.select('span.data-box')[0].text    comment = product.select('span.data-box')[1].text    up = product.select('span.data-box')[2].text    url = product.select('div.info > a')[0].attrs['href']    all_products.append({        '视频排名':rank,        '视频名': name,        '播放量': play,        '弹幕量': comment,        'up主': up,        '视频链接': url    })

在上面的代码中,我们先使用soup.select('li.rank-item'),此时返回一个list包含每一个视频信息,接着遍历每一个视频信息,依旧使用CSS选择器来提取我们要的字段信息,并以字典的形式存储在开头定义好的空列表中。

可以注意到我用了多种选择方法提取去元素,这也是select方法的灵活之处,感兴趣的读者可以进一步自行研究。

  第四步:存储数据

通过前面三步,我们成功的使用requests+bs4从网站中提取出需要的数据,最后只需要将数据写入Excel中保存即可。

如果你对pandas不熟悉的话,可以使用csv模块写入,需要注意的是设置好编码encoding='utf-8-sig',否则会出现中文乱码的问题

  1. import csv
  2. keys = all_products[0].keys()
  3. with open('B站视频热榜TOP100.csv', 'w', newline='', encoding='utf-8-sig') as output_file:
  4.     dict_writer = csv.DictWriter(output_file, keys)
  5.     dict_writer.writeheader()
  6.     dict_writer.writerows(all_products)

如果你熟悉pandas的话,更是可以轻松将字典转换为DataFrame,一行代码即可完成

import pandas as pdkeys = all_products[0].keys()pd.DataFrame(all_products,columns=keys).to_csv('B站视频热榜TOP100.csv', encoding='utf-8-sig')

  小结

至此我们就成功使用Python将b站热门视频榜单数据存储至本地,大多数基于requests的爬虫基本都按照上面四步进行。

不过虽然看上去简单,但是在真实场景中每一步都没有那么轻松,从请求数据开始目标网站就有多种形式的反爬、加密,到后面解析、提取甚至存储数据都有很多需要进一步探索、学习。

本文选择B站视频热榜也正是因为它足够简单,希望通过这个案例让大家明白爬虫的基本流程,最后附上完整代码

  1. import requests
  2. from bs4 import BeautifulSoup
  3. import csv
  4. import pandas as pd
  5. url = 'https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3'
  6. page = requests.get(url)
  7. soup = BeautifulSoup(page.content, 'html.parser')
  8. all_products = []
  9. products = soup.select('li.rank-item')
  10. for product in products:
  11.     rank = product.select('div.num')[0].text
  12.     name = product.select('div.info > a')[0].text.strip()
  13.     play = product.select('span.data-box')[0].text
  14.     comment = product.select('span.data-box')[1].text
  15.     up = product.select('span.data-box')[2].text
  16.     url = product.select('div.info > a')[0].attrs['href']
  17.     all_products.append({
  18.         '视频排名':rank,
  19.         '视频名': name,
  20.         '播放量': play,
  21.         '弹幕量': comment,
  22.         'up主': up,
  23.         '视频链接': url
  24.     })
  25. keys = all_products[0].keys()
  26. with open('B站视频热榜TOP100.csv', 'w', newline='', encoding='utf-8-sig') as output_file:
  27.     dict_writer = csv.DictWriter(output_file, keys)
  28.     dict_writer.writeheader()
  29.     dict_writer.writerows(all_products)
  30. ### 使用pandas写入数据
  31. pd.DataFrame(all_products,columns=keys).to_csv('B站视频热榜TOP100.csv', encoding='utf-8-sig')

end

目前在编程语言兵器排行榜上,最火的两门语言就是Python和Java。二者各有千秋Java比较好找工作,Python使用面非常广,而且简单易学可以干很多事情,很多同学两门都在学。于是小编送8本书给大家,帮你加油打call。

(0)

相关推荐