快捷導(dǎo)航

如何用六步教會你使用python爬蟲爬取數(shù)據(jù)

更新時間：2022年04月06日 10:17:49 作者：只曉得閑逛

網(wǎng)絡(luò)爬蟲就是按照一定規(guī)則自動訪問互聯(lián)網(wǎng)上的信息并把內(nèi)容下載下來的程序或腳本,下面這篇文章主要給大家介紹了關(guān)于如何用六步教會你使用python爬蟲爬取數(shù)據(jù)的相關(guān)資料,需要的朋友可以參考下

前言：

用python的爬蟲爬取數(shù)據(jù)真的很簡單，只要掌握這六步就好，也不復(fù)雜。以前還以為爬蟲很難，結(jié)果一上手，從初學(xué)到把東西爬下來，一個小時都不到就解決了。

python爬出六部曲

第一步：安裝requests庫和BeautifulSoup庫：

在程序中兩個庫的書寫是這樣的：

import requests
from bs4 import BeautifulSoup

由于我使用的是pycharm進行的python編程。所以我就講講在pycharm上安裝這兩個庫的方法。在主頁面文件選項下，找到設(shè)置。進一步找到項目解釋器。之后在所選框中，點擊軟件包上的+號就可以進行查詢插件安裝了。有過編譯器插件安裝的hxd估計會比較好入手。具體情況就如下圖所示。

第二步：獲取爬蟲所需的header和cookie：

我寫了一個爬取微博熱搜的爬蟲程序，這里就直接以它為例吧。獲取header和cookie是一個爬蟲程序必須的，它直接決定了爬蟲程序能不能準(zhǔn)確的找到網(wǎng)頁位置進行爬取。

首先進入微博熱搜的頁面，按下F12，就會出現(xiàn)網(wǎng)頁的js語言設(shè)計部分。如下圖所示。找到網(wǎng)頁上的Network部分。然后按下ctrl+R刷新頁面。如果，進行就有文件信息，就不用刷新了，當(dāng)然刷新了也沒啥問題。然后，我們?yōu)g覽Name這部分，找到我們想要爬取的文件，鼠標(biāo)右鍵，選擇copy，復(fù)制下網(wǎng)頁的URL。就如下圖所示。

復(fù)制好URL后，我們就進入一個網(wǎng)頁Convert curl commands to code。這個網(wǎng)頁可以根據(jù)你復(fù)制的URL，自動生成header和cookie，如下圖。生成的header和cookie，直接復(fù)制走就行，粘貼到程序中。

#爬蟲頭數(shù)據(jù)
cookies = {
    'SINAGLOBAL': '6797875236621.702.1603159218040',
    'SUB': '_2AkMXbqMSf8NxqwJRmfkTzmnhboh1ygvEieKhMlLJJRMxHRl-yT9jqmg8tRB6PO6N_Rc_2FhPeZF2iThYO9DfkLUGpv4V',
    'SUBP': '0033WrSXqPxfM72-Ws9jqgMF55529P9D9Wh-nU-QNDs1Fu27p6nmwwiJ',
    '_s_tentry': 'www.baidu.com',
    'UOR': 'www.hfut.edu.cn,widget.weibo.com,www.baidu.com',
    'Apache': '7782025452543.054.1635925669528',
    'ULV': '1635925669554:15:1:1:7782025452543.054.1635925669528:1627316870256',
}
headers = {
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36 SLBrowser/7.0.0.6241 SLBChan/25',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Sec-Fetch-Site': 'cross-site',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Sec-Fetch-Dest': 'document',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}
params = (
    ('cate', 'realtimehot'),
)

復(fù)制到程序中就像這樣。這是微博熱搜的請求頭。

第三步：獲取網(wǎng)頁：

我們將header和cookie搞到手后，就可以將它復(fù)制到我們的程序里。之后，使用request請求，就可以獲取到網(wǎng)頁了。

#獲取網(wǎng)頁
response = requests.get('https://s.weibo.com/top/summary', headers=headers, params=params, cookies=cookies)

第四步：解析網(wǎng)頁：

這個時候，我們需要回到網(wǎng)頁。同樣按下F12，找到網(wǎng)頁的Elements部分。用左上角的小框帶箭頭的標(biāo)志，如下圖，點擊網(wǎng)頁內(nèi)容，這個時候網(wǎng)頁就會自動在右邊顯示出你獲取網(wǎng)頁部分對應(yīng)的代碼。

如上圖所示，我們在找到想要爬取的頁面部分的網(wǎng)頁代碼后，將鼠標(biāo)放置于代碼上，右鍵，copy到selector部分。就如上圖所示。

第五步：分析得到的信息，簡化地址：

其實剛才復(fù)制的selector就相當(dāng)于網(wǎng)頁上對應(yīng)部分存放的地址。由于我們需要的是網(wǎng)頁上的一類信息，所以我們需要對獲取的地址進行分析，提取。當(dāng)然，就用那個地址也不是不行，就是只能獲取到你選擇的網(wǎng)頁上的那部分內(nèi)容。

#pl_top_realtimehot > table > tbody > tr:nth-child(1) > td.td-02 > a
#pl_top_realtimehot > table > tbody > tr:nth-child(2) > td.td-02 > a
#pl_top_realtimehot > table > tbody > tr:nth-child(9) > td.td-02 > a

這是我獲取的三條地址，可以發(fā)現(xiàn)三個地址有很多相同的地方，唯一不同的地方就是tr部分。由于tr是網(wǎng)頁標(biāo)簽，后面的部分就是其補充的部分，也就是子類選擇器?？梢酝茢喑?，該類信息，就是存儲在tr的子類中，我們直接對tr進行信息提取，就可以獲取到該部分對應(yīng)的所有信息。所以提煉后的地址為：

#pl_top_realtimehot > table > tbody > tr > td.td-02 > a

這個過程對js類語言有一定了解的hxd估計會更好處理。不過沒有js類語言基礎(chǔ)也沒關(guān)系，主要步驟就是，保留相同的部分就行，慢慢的試，總會對的。

第六步：爬取內(nèi)容，清洗數(shù)據(jù)

這一步完成后，我們就可以直接爬取數(shù)據(jù)了。用一個標(biāo)簽存儲上面提煉出的像地址一樣的東西。標(biāo)簽就會拉取到我們想獲得的網(wǎng)頁內(nèi)容。

#爬取內(nèi)容
content="#pl_top_realtimehot > table > tbody > tr > td.td-02 > a"

之后我們就要soup和text過濾掉不必要的信息，比如js類語言，排除這類語言對于信息受眾閱讀的干擾。這樣我們就成功的將信息，爬取下來了。

fo = open("./微博熱搜.txt",'a',encoding="utf-8")
a=soup.select(content)
for i in range(0,len(a)):
    a[i] = a[i].text
    fo.write(a[i]+'\n')
fo.close()

我是將數(shù)據(jù)存儲到了文件夾中，所以會有wirte帶來的寫的操作。想把數(shù)據(jù)保存在哪里，或者想怎么用，就看讀者自己了。

爬取微博熱搜的代碼實例以及結(jié)果展示：

import os
import requests
from bs4 import BeautifulSoup
#爬蟲頭數(shù)據(jù)
cookies = {
    'SINAGLOBAL': '6797875236621.702.1603159218040',
    'SUB': '_2AkMXbqMSf8NxqwJRmfkTzmnhboh1ygvEieKhMlLJJRMxHRl-yT9jqmg8tRB6PO6N_Rc_2FhPeZF2iThYO9DfkLUGpv4V',
    'SUBP': '0033WrSXqPxfM72-Ws9jqgMF55529P9D9Wh-nU-QNDs1Fu27p6nmwwiJ',
    '_s_tentry': 'www.baidu.com',
    'UOR': 'www.hfut.edu.cn,widget.weibo.com,www.baidu.com',
    'Apache': '7782025452543.054.1635925669528',
    'ULV': '1635925669554:15:1:1:7782025452543.054.1635925669528:1627316870256',
}
headers = {
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
    'Upgrade-Insecure-Requests': '1',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36 SLBrowser/7.0.0.6241 SLBChan/25',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'Sec-Fetch-Site': 'cross-site',
    'Sec-Fetch-Mode': 'navigate',
    'Sec-Fetch-User': '?1',
    'Sec-Fetch-Dest': 'document',
    'Accept-Language': 'zh-CN,zh;q=0.9',
}
params = (
    ('cate', 'realtimehot'),
)
#數(shù)據(jù)存儲
fo = open("./微博熱搜.txt",'a',encoding="utf-8")
#獲取網(wǎng)頁
response = requests.get('https://s.weibo.com/top/summary', headers=headers, params=params, cookies=cookies)
#解析網(wǎng)頁
response.encoding='utf-8'
soup = BeautifulSoup(response.text, 'html.parser')
#爬取內(nèi)容
content="#pl_top_realtimehot > table > tbody > tr > td.td-02 > a"
#清洗數(shù)據(jù)
a=soup.select(content)
for i in range(0,len(a)):
    a[i] = a[i].text
    fo.write(a[i]+'\n')
fo.close()