如何用Python爬数据？（一）网页抓取

转自：https://blog.csdn.net/nkwshuyi/article/details/79435248
默认会 html，js，css，python3，已安装Anaconda，python3，Google Chrome，

---

爬虫的定义

即便你打开浏览器，手动拷贝数据下来，也叫做网页抓取（web scraping）
使用程序（或者机器人）自动替你完成网页抓取的工作，就叫爬虫。

网页的数据抓下来干什么呢？
一般是先存储起来，放到数据库或者电子表格中，以备检索或者进一步分析使用。
所以，你真正想要的功能是这样的：
找到链接，获得Web页面，抓取指定信息，存储。
这个过程有可能会往复循环，甚至是滚雪球。
你希望用自动化的方式来完成它。

---

爬网页的文字和链接

例如，下面是一个网页

我们希望抓取里面的内容如下

下面开始操作

# 启动 Google Chrome
pipenv shell

# 启动 jupyter
jupyter notebook

from requests_html import HTMLSession

# 建立一个会话（session）
session = HTMLSession()

# 获取网页内容，html格式的
url = 'https://www.jianshu.com/p/85f4624485b9'
r = session.get(url)

# 仅显示文字部分
print(r.html.text)

# 仅显示网页内的链接（相对链接）
print(r.html.links)

# 显示绝对链接
print(r.html.absolute_links)

---

爬指定的内容和链接

鼠标右键点击网页，选择“检查”，可以看到网页的源码，源码的左上有选择器，用来选择你想要的内容。
被选择的内容的源码会高亮显示，然后用鼠标右键点击，选择"copy" > “copy selector” 复制选择器
找个文本编辑器，粘贴看看复制了什么

body > div.note > div.post > div.article > div.show-content > div > p:nth-child(4) > a

下面看看这个怎么用

sel = 'body > div.note > div.post > div.article > div.show-content > div > p:nth-child(4) > a'
results = r.html.find(sel)
print(results)

下面是输出

[]

results 是个列表，只包含一项。这一项包含一个网址，就是我们要找的第一个链接（《玉树芝兰》）对应的网址。
可是文字描述“《玉树芝兰》”哪里去了？
别着急，我们让 Python 显示 results 结果数据对应的文本。

print(results[0].text)
# '玉树芝兰'

# 提取链接
results[0].absolute_links
# 显示一个集合
# {'https://www.jianshu.com/nb/130182'}  

# 集合转列表
print(list(results[0].absolute_links)[0])
# 'https://www.jianshu.com/nb/130182'

有了处理这第一个链接的经验，你信心大增，是吧？
其他链接，也无非是找到标记路径，然后照猫画虎嘛。
可是，如果每找一个链接，都需要手动输入上面这若干条语句，那也太麻烦了。
这里就是编程的技巧了。重复逐条运行的语句，如果工作顺利，我们就要尝试把它们归并起来，做个简单的函数。
对这个函数，只需给定一个选择路径（sel），它就把找到的所有描述文本和链接路径都返回给我们

def get_text_link_from_sel(sel):
	mylist = []
    try:
        results = r.html.find(sel)
        for result in results:
            mytext = result.text
            mylink = list(result.absolute_links)[0]
            # 这里多了一个括号
            mylist.append((mytext, mylink))
        return mylist
    except:
        return None

下面测试这个小程序

print(get_text_link_from_sel(sel))
# [('玉树芝兰', 'https://www.jianshu.com/nb/130182')]

---

数据再处理

其他的链接，复制出来，和上面的链接差别就在最后的 p:nth-child(4) > a 里面的括号的数字
如果我们不限定"p"的具体位置信息呢？
我们试试看，这次保留标记路径里面其他全部信息，只修改"p"这一点。

sel = 'body > div.note > div.post > div.article > div.show-content > div > p > a'
print(get_text_link_from_sel(sel))

好了，我们要找的内容，全都在这儿了。
但是，我们的工作还没完。
我们还得把采集到的信息输出到Excel中保存起来。
还记得我们常用的数据框工具 Pandas 吗？又该让它大显神通了。

import pandas as pd
df = pd.DataFrame(get_text_link_from_sel(sel))
print(df)

内容没问题，不过我们对表头不大满意，得更换为更有意义的列名称：

df.columns = ['text', 'link']
print(df)

好了，下面就可以把抓取的内容输出到Excel中了。
Pandas内置的命令，就可以把数据框保存成csv格式，一种可以用Excel直接打开查看的格式。

df.to_csv('output.csv', encoding='gbk', index=False)

注意这里需要指定encoding（编码）为gbk，否则默认的utf-8编码在Excel中查看的时候，有可能是乱码。
我们看看最终生成的csv文件吧。

---

小结

本文为你展示了用Python自动网页抓取的基础技能。希望阅读并动手实践后，你能掌握以下知识点：

• 网页抓取与网络爬虫之间的联系与区别；
• 如何用 pipenv 快速构建指定的 Python 开发环境，自动安装好依赖软件包；
• 如何用 Google Chrome 的内置检查功能，快速定位感兴趣内容的标记路径；
• 如何用 requests-html 包来解析网页，查询获得需要的内容元素；
• 如何用 Pandas 数据框工具整理数据，并且输出到 Excel。

或许，你觉得这篇文章过于浅白，不能满足你的要求。
文中只展示了如何从一个网页抓取信息，可你要处理的网页成千上万啊。
别着急。
本质上说，抓取一个网页，和抓取10000个网页，在流程上是一样的。
而且，从咱们的例子里，你是不是已经尝试了抓取链接？
有了链接作为基础，你就可以滚雪球，让Python爬虫“爬”到解析出来的链接上，做进一步的处理。
将来，你可能还要应对实践场景中的一些棘手问题：

• 如何把抓取的功能扩展到某一范内内的所有网页？
• 如何爬取Javascript动态网页？
• 假设你爬取的网站对每个IP的访问频率做出限定，怎么办？

需要注意的是，网络爬虫抓取数据，虽然功能强大，但学习与实践起来有一定门槛。
当你面临数据获取任务时，应该先检查一下这个清单：

• 有没有别人已经整理好的数据集合可以直接下载？
• 网站有没有对你需要的数据提供API访问与获取方式？
• 有没有人针对你的需求，编好了定制爬虫，供你直接调用？

如果答案是都没有，才需要你自己编写脚本，调动爬虫来抓取。
为了巩固学习的知识，请你换一个其他网页，以咱们的代码作为基础修改后，抓取其中你感兴趣的内容。
如果能把你抓取的过程记录下来，在评论区将记录链接分享给大家，就更好了。
因为刻意练习是掌握实践技能的最好方式，而教是最好的学。