建站
咨詢
售后
建站咨詢
新聞中心
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)該仔細閱讀本文!
第一步：嘗試請求
首先進入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(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')
新聞標(biāo)題：手把手教你使用Python抓取并存儲網(wǎng)頁數(shù)據(jù)！
文章分享：http://www.dlmjj.cn/article/ccdeohg.html
