【整理】爬取网页数据的方法汇总

案例：爬取豆瓣电影Top 250的列表（电影名称、导演、主演、星级等信息）

---

浏览器console

操作：浏览器内鼠标右键 —> “检查”（不同的浏览器名称可能不一样，此处使用了Google）—> Elements ：查看网页结构 —> Console ： 输入指令

var i = 0;
var hd = document.querySelectorAll("div.hd > a");
var bd = document.querySelectorAll("div.bd > p");
var star = document.querySelectorAll("div.bd > div.star > span.rating_num");
var quote = document.querySelectorAll("div.bd > p.quote > span.inq");
for(var t of document.querySelectorAll("ol.grid_view > li > div.item > div.info"))
    {       
        console.log(hd[i].href);
        console.log(hd[i].text);
        console.log(bd[i].innerHTML);
        console.log(star[i].innerHTML);
        console.log(quote[i].innerHTML);
        i=i+1;
    }

常用命令（点击链接查看示例）：

方法	描述
getElementsByClassName()	返回文档中所有指定类名 " class= " 的元素集合
document.getElementById()	返回对拥有指定 id 的第一个对象 " id= " 的引用
document.getElementsByName()	返回带有指定名称 " name= " 的对象集合
getElementsByTagName()	返回带有指定标签名的所有对象集合，如”div"、“p”，无法指定类名id等
document.querySelectorAll()	返回文档中匹配的CSS选择器的所有元素节点列表，可以获取指定类名、属性的元素

评价：
优点：有浏览器就可以操作，不需要下载软件，不需要部署环境，学习成本不算很高
缺点：当采集任务复杂时，需要增加学习成本的投入；采集数据的格式可能不规整需要进一步处理

参考资料：
HTML DOM Document 对象
怎么批量提取一个网页里面的链接？ - 喂鸭梨的回答 - 知乎

---

浏览器插件

推荐几个安装浏览器插件的网站：（懒得把网址从吃灰的收藏夹翻出来了，再说吧 = V =）

· Web Scraper

操作：
（1）将浏览器“检查”窗口调整为“位于底部”的布局，创建一个新的Web Scraper项目

（2）填写爬虫项目信息

（3）建立选择器，选择需要采集的网页元素

---

在线网页爬取工具

目前几款在线网页爬取工具使用的不是很多，后续再补充使用体验

---

八爪鱼软件

当页面较整齐有规律时，八爪鱼是个相当不错的选择！只需要输入网址，软件就可以自动识别网页（还提供了翻页），选择需要采集的元素进行采集即可，具体操作见官网教程 八爪鱼采集器官网。

但是如果网页布局较复杂，或是有特别的采集需求时，就需要投入一定的学习成本才能完成采集任务。

---

Python

（1）构建UA代理，发送请求，获得响应并解码HTML页面

from urllib import request
from lxml import etree

url = 'https://movie.douban.com/top250'
headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36'}

# 构建UA代理
req = request.Request(url = url , headers = headers)
# 发送请求
response = request.urlopen(req)
# 解码响应
html = response.read().decode('utf-8')

（2）确定要采集的网页元素，获取各元素的xpath

page = etree.HTML(html)
movie_list = page.xpath('//*[@id="content"]/div/div[1]/ol/li')
file = pd.DataFrame(columns = ['title','detail','type','star','quote'])
i = 0

for m in movie_list: 
    title_list = m.xpath('//li/div/div[2]/div[1]/a/span[1]/text()')   
    file.loc[i,'title']=title_list[i].replace("\xa0", "").replace('\n','') if title_list else None 

    detail_list = m.xpath('//li/div/div[2]/div[2]/p[1]/text()')
    file.loc[i,'detail']=detail_list[i].replace("\xa0", "").replace('\n','') if detail_list else None
    
    type_list = m.xpath('//li/div/div[2]/div[2]/p[1]/text()[2]')
    file.loc[i,'type']=type_list[i].replace("\xa0", "").replace('\n','') if type_list else None
    
    star_list = m.xpath('//li/div/div[2]/div[2]/div/span[2]/text()')
    file.loc[i,'star']=star_list[i] if star_list else None
    
    quote_list = m.xpath('//li/div/div[2]/div[2]/p[2]/span/text()')
    file.loc[i,'quote']=quote_list[i] if quote_list else None
    
    i = i+1

file

输出结果：

参考资料：
C语言中文网 - Python爬虫教程