成都网站建设设计

将想法与焦点和您一起共享

Python中怎么抓取并存储网页数据

本篇文章为大家展示了Python中怎么抓取并存储网页数据,内容简明扼要并且容易理解,绝对能使你眼前一亮,通过这篇文章的详细介绍希望你能有所收获。

成都一家集口碑和实力的网站建设服务商,拥有专业的企业建站团队和靠谱的建站技术,十年企业及个人网站建设经验 ,为成都上千客户提供网页设计制作,网站开发,企业网站制作建设等服务,包括成都营销型网站建设,成都品牌网站建设,同时也为不同行业的客户提供成都网站设计、做网站的服务,包括成都电商型网站制作建设,装修行业网站制作建设,传统机械行业网站建设,传统农业行业网站制作建设。在成都做网站,选网站制作建设服务商就选创新互联。

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 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

Python中怎么抓取并存储网页数据

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BeautifulSoup、pyquery或lxml,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

from bs4 import BeautifulSoup  page = requests.get(url) soup = BeautifulSoup(page.content, 'html.parser') title = soup.title.text  print(title) # 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.body、soup.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。

在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

Python中怎么抓取并存储网页数据

可以看到每一个视频信息都被包在class="rank-item"的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

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

Python中怎么抓取并存储网页数据

上述内容就是Python中怎么抓取并存储网页数据,你们学到知识或技能了吗?如果还想学到更多技能或者丰富自己的知识储备,欢迎关注创新互联行业资讯频道。


当前名称:Python中怎么抓取并存储网页数据
本文链接:http://chengdu.cdxwcx.cn/article/gppghd.html