『爬蟲四步走』手把手教你使用Python抓取并存儲網頁數據！

爬蟲是Python的一個重要的應用，使用Python爬蟲我們可以輕松的從互聯網中抓取我們想要的數據，本文將基于爬取B站視頻熱搜榜單數據并存儲為例，詳細介紹Python爬蟲的基本流程。如果你還在入門爬蟲階段或者不清楚爬蟲的具體工作流程，那么應該仔細閱讀本文！

首先進入b站首頁，點擊排行榜并復制鏈接

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

現在啟動Jupyter notebook，并運行以下代碼

import?requests

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

在上面的代碼中，我們完成了下面三件事

• 導入requests
• 使用get方法構造請求
• 使用status_code獲取網頁狀態(tài)碼

可以看到返回值是200，表示服務器正常響應，這意味著我們可以繼續(xù)進行。

在上一步我們通過requests向網站請求數據后，成功得到一個包含服務器資源的Response對象，現在我們可以使用.text來查看其內容

可以看到返回一個字符串，里面有我們需要的熱榜視頻數據，但是直接從字符串中提取內容是比較復雜且低效的，因此我們需要對其進行解析，將字符串轉換為網頁結構化數據，這樣可以很方便地查找HTML標簽以及其中的屬性和內容。

在Python中解析網頁的方法有很多，可以使用正則表達式，也可以使用BeautifulSoup、pyquery或lxml，本文將基于BeautifulSoup進行講解.

Beautiful Soup是一個可以從HTML或XML文件中提取數據的第三方庫.安裝也很簡單，使用pip install bs4安裝即可，下面讓我們用一個簡單的例子說明它是怎樣工作的

from?bs4?import?BeautifulSoup

page?=?requests.get(url)
soup?=?BeautifulSoup(page.content,?'html.parser')
title?=?soup.title.text?
print(title)
#?熱門視頻排行榜?-?嗶哩嗶哩?(゜-゜)つロ?干杯~-bilibili

在上面的代碼中，我們通過bs4中的BeautifulSoup類將上一步得到的html格式字符串轉換為一個BeautifulSoup對象，注意在使用時需要制定一個解析器，這里使用的是html.parser。

接著就可以獲取其中的某個結構化元素及其屬性，比如使用soup.title.text獲取頁面標題，同樣可以使用soup.body、soup.p等獲取任意需要的元素。

在上面兩步中，我們分別使用requests向網頁請求數據并使用bs4解析頁面，現在來到最關鍵的步驟：如何從解析完的頁面中提取需要的內容。

在Beautiful Soup中，我們可以使用find/find_all來定位元素，但我更習慣使用CSS選擇器.select，因為可以像使用CSS選擇元素一樣向下訪問DOM樹。

現在我們用代碼講解如何從解析完的頁面中提取B站熱榜的數據，首先我們需要找到存儲數據的標簽，在榜單頁面按下F12并按照下圖指示找到

可以看到每一個視頻信息都被包在class="rank-item"的li標簽下，那么代碼就可以這樣寫?

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({
????????"視頻排名":rank,
????????"視頻名":?name,
????????"播放量":?play,
????????"彈幕量":?comment,
????????"up主":?up,
????????"視頻鏈接":?url
????})

在上面的代碼中，我們先使用soup.select('li.rank-item')，此時返回一個list包含每一個視頻信息，接著遍歷每一個視頻信息，依舊使用CSS選擇器來提取我們要的字段信息，并以字典的形式存儲在開頭定義好的空列表中。

可以注意到我用了多種選擇方法提取去元素，這也是select方法的靈活之處，感興趣的讀者可以進一步自行研究。

通過前面三步，我們成功的使用requests+bs4從網站中提取出需要的數據，最后只需要將數據寫入Excel中保存即可。

如果你對pandas不熟悉的話，可以使用csv模塊寫入，需要注意的是設置好編碼encoding='utf-8-sig'，否則會出現中文亂碼的問題

import?csv
keys?=?all_products[0].keys()

with?open('B站視頻熱榜TOP100.csv',?'w',?newline='',?encoding='utf-8-sig')?as?output_file:
????dict_writer?=?csv.DictWriter(output_file,?keys)
????dict_writer.writeheader()
????dict_writer.writerows(all_products)

如果你熟悉pandas的話，更是可以輕松將字典轉換為DataFrame，一行代碼即可完成

import?pandas?as?pd
keys?=?all_products[0].keys()

pd.DataFrame(all_products,columns=keys).to_csv('B站視頻熱榜TOP100.csv',?encoding='utf-8-sig')

至此我們就成功使用Python將b站熱門視頻榜單數據存儲至本地，大多數基于requests的爬蟲基本都按照上面四步進行。

不過雖然看上去簡單，但是在真實場景中每一步都沒有那么輕松，從請求數據開始目標網站就有多種形式的反爬、加密，到后面解析、提取甚至存儲數據都有很多需要進一步探索、學習。

本文選擇B站視頻熱榜也正是因為它足夠簡單，希望通過這個案例讓大家明白爬蟲的基本流程，最后附上完整代碼

import?requests
from?bs4?import?BeautifulSoup
import?csv
import?pandas?as?pd

url?=?'https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3'
page?=?requests.get(url)
soup?=?BeautifulSoup(page.content,?'html.parser')

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({
????????"視頻排名":rank,
????????"視頻名":?name,
????????"播放量":?play,
????????"彈幕量":?comment,
????????"up主":?up,
????????"視頻鏈接":?url
????})


keys?=?all_products[0].keys()

with?open('B站視頻熱榜TOP100.csv',?'w',?newline='',?encoding='utf-8-sig')?as?output_file:
????dict_writer?=?csv.DictWriter(output_file,?keys)
????dict_writer.writeheader()
????dict_writer.writerows(all_products)

###?使用pandas寫入數據
pd.DataFrame(all_products,columns=keys).to_csv('B站視頻熱榜TOP100.csv',?encoding='utf-8-sig')