『爬蟲四步走』手把手教你使用 Python 抓取并存儲網(wǎng)頁數(shù)據(jù)！
爬蟲是 Python 的一個重要的應(yīng)用，使用 Python 爬蟲我們可以輕松的從互聯(lián)網(wǎng)中抓取我們想要的數(shù)據(jù)
本文將基于爬取 B 站視頻熱搜榜單數(shù)據(jù)并存儲為例，詳細(xì)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(yīng)該仔細(xì)閱讀本文！
? 第一步：嘗試請求
首先進(jìn)入 b 站首頁，點擊排行榜并復(fù)制鏈接
https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3
現(xiàn)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(dǎo)入 requests使用 get方法構(gòu)造請求使用 status_code獲取網(wǎng)頁狀態(tài)碼
可以看到返回值是200，表示服務(wù)器正常響應(yīng)，這意味著我們可以繼續(xù)進(jìn)行
? 第二步：解析頁面
在上一步我們通過 requests 向網(wǎng)站請求數(shù)據(jù)后，成功得到一個包含服務(wù)器資源的 Response 對象，現(xiàn)在我們可以使用.text來查看其內(nèi)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(shù)據(jù)，但是直接從字符串中提取內(nèi)容是比較復(fù)雜且低效的，因此我們需要對其進(jìn)行解析，將字符串轉(zhuǎn)換為網(wǎng)頁結(jié)構(gòu)化數(shù)據(jù)，這樣可以很方便地查找 HTML 標(biāo)簽以及其中的屬性和內(nèi)容。
在 Python 中解析網(wǎng)頁的方法有很多，可以使用正則表達(dá)式，也可以使用BeautifulSoup、pyquery或lxml，本文將基于?BeautifulSoup?進(jìn)行講解
Beautiful Soup?是一個可以從 HTML 或 XML 文件中提取數(shù)據(jù)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(zhuǎn)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(jié)構(gòu)化元素及其屬性，比如使用soup.title.text獲取頁面標(biāo)題，同樣可以使用soup.body、soup.p等獲取任意需要的元素
? 第三步：提取內(nèi)容
在上面兩步中，我們分別使用 requests 向網(wǎng)頁請求數(shù)據(jù)并使用 bs4 解析頁面，現(xiàn)在來到最關(guān)鍵的步驟：如何從解析完的頁面中提取需要的內(nèi)容。
在?Beautiful Soup?中，我們可以使用find/find_all來定位元素，但我更習(xí)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(xiàn)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(shù)據(jù)，首先我們需要找到存儲數(shù)據(jù)的標(biāo)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(biāo)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(jìn)一步自行研究
? 第四步：存儲數(shù)據(jù)
通過前面三步，我們成功的使用 requests+bs4 從網(wǎng)站中提取出需要的數(shù)據(jù)，最后只需要將數(shù)據(jù)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(shè)置好編碼encoding='utf-8-sig'，否則會出現(xiàn)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(zhuǎn)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')
? 小結(jié)
至此我們就成功使用 Python 將 b 站熱門視頻榜單數(shù)據(jù)存儲至本地，大多數(shù)基于requests 的爬蟲基本都按照上面四步進(jìn)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(shù)據(jù)開始目標(biāo)網(wǎng)站就有多種形式的反爬、加密，到后面解析、提取甚至存儲數(shù)據(jù)都有很多需要進(jìn)一步探索、學(xué)習(xí)。
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(shù)據(jù)
pd.DataFrame(all_products,columns=keys).to_csv('B站視頻熱榜TOP100.csv',?encoding='utf-8-sig')
-END-