手把手教你使用Python抓取并存儲(chǔ)網(wǎng)頁(yè)數(shù)據(jù)！
爬蟲(chóng)是Python的一個(gè)重要的應(yīng)用，使用Python爬蟲(chóng)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(chǔ)為例，詳細(xì)介紹Python爬蟲(chóng)的基本流程。如果你還在入門(mén)爬蟲(chóng)階段或者不清楚爬蟲(chóng)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(qǐng)求
首先進(jìn)入b站首頁(yè)，點(diǎn)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(dòng)Jupyter notebook，并運(yùn)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(qǐng)求
- 使用status_code獲取網(wǎng)頁(yè)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(yè)面
在上一步我們通過(guò)requests向網(wǎng)站請(qǐng)求數(shù)據(jù)后，成功得到一個(gè)包含服務(wù)器資源的Response對(duì)象，現(xiàn)在我們可以使用.text來(lái)查看其內(nèi)容
可以看到返回一個(gè)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(duì)其進(jìn)行解析，將字符串轉(zhuǎn)換為網(wǎng)頁(yè)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(yè)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(gè)可以從HTML或XML文件中提取數(shù)據(jù)的第三方庫(kù).安裝也很簡(jiǎn)單，使用pip install bs4安裝即可，下面讓我們用一個(gè)簡(jiǎn)單的例子說(shuō)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(mén)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(guò)bs4中的BeautifulSoup類(lèi)將上一步得到的html格式字符串轉(zhuǎn)換為一個(gè)BeautifulSoup對(duì)象，注意在使用時(shí)需要制定一個(gè)解析器，這里使用的是html.parser。
接著就可以獲取其中的某個(gè)結(jié)構(gòu)化元素及其屬性，比如使用soup.title.text獲取頁(yè)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(yè)請(qǐng)求數(shù)據(jù)并使用bs4解析頁(yè)面，現(xiàn)在來(lái)到最關(guān)鍵的步驟：如何從解析完的頁(yè)面中提取需要的內(nèi)容。
在Beautiful Soup中，我們可以使用find/find_all來(lái)定位元素，但我更習(xí)慣使用CSS選擇器.select，因?yàn)榭梢韵袷褂肅SS選擇元素一樣向下訪(fǎng)問(wèn)DOM樹(shù)。
現(xiàn)在我們用代碼講解如何從解析完的頁(yè)面中提取B站熱榜的數(shù)據(jù)，首先我們需要找到存儲(chǔ)數(shù)據(jù)的標(biāo)簽，在榜單頁(yè)面按下F12并按照下圖指示找到
可以看到每一個(gè)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(xiě)
- 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(shí)返回一個(gè)list包含每一個(gè)視頻信息，接著遍歷每一個(gè)視頻信息，依舊使用CSS選擇器來(lái)提取我們要的字段信息，并以字典的形式存儲(chǔ)在開(kāi)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(chǔ)數(shù)據(jù)
通過(guò)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(xiě)入Excel中保存即可。
如果你對(duì)pandas不熟悉的話(huà)，可以使用csv模塊寫(xiě)入，需要注意的是設(shè)置好編碼encoding='utf-8-sig'，否則會(huì)出現(xiàn)中文亂碼的問(wèn)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(huà)，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(mén)視頻榜單數(shù)據(jù)存儲(chǔ)至本地，大多數(shù)基于requests的爬蟲(chóng)基本都按照上面四步進(jìn)行。
不過(guò)雖然看上去簡(jiǎn)單，但是在真實(shí)場(chǎng)景中每一步都沒(méi)有那么輕松，從請(qǐng)求數(shù)據(jù)開(kāi)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(chǔ)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?yàn)樗銐蚝?jiǎn)單，希望通過(guò)這個(gè)案例讓大家明白爬蟲(chóng)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(xiě)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')
