您好,登錄后才能下訂單哦!
Python爬取網(wǎng)頁信息的步驟
以爬取英文名字網(wǎng)站(https://nameberry.com/)中每個名字的評論內(nèi)容,包括英文名,用戶名,評論的時間和評論的內(nèi)容為例。
1、確認(rèn)網(wǎng)址
在瀏覽器中輸入初始網(wǎng)址,逐層查找鏈接,直到找到需要獲取的內(nèi)容。
在打開的界面中,點擊鼠標(biāo)右鍵,在彈出的對話框中,選擇“檢查”,則在界面會顯示該網(wǎng)頁的源代碼,在具體內(nèi)容處點擊查找,可以定位到需要查找的內(nèi)容的源碼。
注意:代碼顯示的方式與瀏覽器有關(guān),有些瀏覽器不支持顯示源代碼功能(360瀏覽器,谷歌瀏覽器,火狐瀏覽器等是支持顯示源代碼功能)
步驟圖:
1)首頁,獲取A~Z的頁面鏈接
2)名字鏈接頁,獲取每個字母中的名字鏈接(存在翻頁情況)
3)名字內(nèi)容頁,獲取每個名字的評論信息
2、編寫測試代碼
1)獲取A~Z鏈接,在爬取網(wǎng)頁信息時,為了減少網(wǎng)頁的響應(yīng)時間,可以根據(jù)已知的信息,自動生成對應(yīng)的鏈接,這里采取自動生成A~Z之間的連接,以pandas的二維數(shù)組形式存儲
def get_url1(): urls=[] # A,'B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z' a=['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z'] #自動生成A~Z的鏈接 for i in a: urls.append("https://nameberry.com/search/baby_names_starting_with/%s" %i) dp=pd.DataFrame(urls) dp.to_csv("A~Z_Link1.csv",mode="a",encoding='utf_8_sig') #循環(huán)用于在每個字母鏈接下,調(diào)用爬取名字鏈接的頁面的函數(shù),即函數(shù)嵌套 for j in urls: get_pages_Html(j) return urls
2)獲取名字鏈接,根據(jù)網(wǎng)頁源碼分析出包含名字鏈接的標(biāo)簽,編寫代碼,名字鏈接用直接存儲的方式存儲,方便讀取名字鏈接進行對名字的評論內(nèi)容的獲取
#獲取頁數(shù) def get_pages_Html(url1): req = requests.get(url1) soup=BeautifulSoup(req.text) #異常處理,為解決頁面不存在多頁的問題,使用re正則表達(dá)式獲取頁面數(shù) try: lastpage = soup.find(class_="last").find("a")['href'] str1='{}'.format(lastpage) b=re.findall('\\d+', str1 ) for page in b: num=page except: num=1 get_pages(num,url1) return num def get_pages(n,url): pages=[] for k in range(1,int(n)+1): pages.append("{}?page={}".format(url,k)) dp=pd.DataFrame(pages) dp.to_csv("NUM_pages_1.csv",mode="a",encoding='utf_8_sig') #函數(shù)調(diào)用 for l in pages: parse_HTML2(l) return pages # 名字的鏈接,根據(jù)網(wǎng)頁源碼的標(biāo)簽,確定名字鏈接的位置 def parse_HTML2(url2): try: req = requests.get(url2) req.encoding = req.apparent_encoding soup = BeautifulSoup(req.text) except: dp=pd.DataFrame(url2) dp.to_csv("Error_pages_1.csv",mode="a",encoding='utf_8_sig') name_data_l=[] error=[] li_list = soup.find_all('li',class_="Listing-name pt-15 pb-15 bdb-gray-light w-100pct flex border-highlight") try: for li in li_list: nameList=li.find('a',class_='flex-1')['href'] name_data_l.append('https://nameberry.com/'+nameList) time.sleep(1) cun(name_data_l,'Name_List_1') except: dp=pd.DataFrame(name_data_l) dp.to_csv("Error_Name_List_1.csv",mode="a",encoding='utf_8_sig') # cun(url2,'Error_link_Q') # dp=pd.DataFrame(name_data_l) # dp.to_csv("Name_List.csv",mode="a",encoding='utf_8_sig') # for i in name_data_l: # parse_HTML3(i) return name_data_l
3)獲取名字評論的內(nèi)容,采用字典形式寫入文件
# 名字里的內(nèi)容 def parse_HTML3(url3): count=0 req = requests.get(url3) req.encoding = req.apparent_encoding soup = BeautifulSoup(req.text) error=[] try: Name=soup.find('h2',class_='first-header').find("a").get_text().replace(",","").replace("\n","") except: error.append(url3) cun(error,"Error_Link_Comment") li_list = soup.find_all('div',class_="comment") for li in li_list: Title=li.find("h5").get_text().replace(",","").replace("\n","") Time=li.find("p",class_='meta').get_text().replace(",","").replace("\n","") Comments=li.find("div",class_='comment-text').get_text().replace(",","").replace("\n","") dic2={ "Name":Name, "Title":Title, "Time":Time, "Comments":Comments } time.sleep(1) count=count+1 save_to_csv(dic2,"Name_data_comment") print(count) return 1
3、測試代碼
1)代碼編寫完成后,具體的函數(shù)調(diào)用邏輯,獲取鏈接時,為直接的函數(shù)嵌套,獲取內(nèi)容時,為從文件中讀取出名字鏈接,在獲取名字的評論內(nèi)容。避免因為逐層訪問,造成訪問網(wǎng)頁超時,出現(xiàn)異常。
如圖:
2)測試結(jié)果
4、小結(jié)
在爬取網(wǎng)頁內(nèi)容時,要先分析網(wǎng)頁源碼,再進行編碼和調(diào)試,遵從爬蟲協(xié)議(嚴(yán)重者會被封號),在爬取的數(shù)據(jù)量非常大時,可以設(shè)置順序部分請求(一部分的進行爬取網(wǎng)頁內(nèi)容)。
總之,爬蟲有風(fēng)險,測試需謹(jǐn)慎!??!
以上就是Python爬取網(wǎng)頁信息的示例的詳細(xì)內(nèi)容,更多關(guān)于Python爬取網(wǎng)頁信息的資料請關(guān)注億速云其它相關(guān)文章!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。