Python爬取网页信息的步骤
以爬取英文名字网站(https://nameberry.com/)中每个名字的评论内容,包括英文名,用户名,评论的时间和评论的内容为例。
1、确认网址
在浏览器中输入初始网址,逐层查找链接,直到找到需要获取的内容。
在打开的界面中,点击鼠标右键,在弹出的对话框中,选择“检查”,则在界面会显示该网页的源代码,在具体内容处点击查找,可以定位到需要查找的内容的源码。
注意:代码显示的方式与浏览器有关,有些浏览器不支持显示源代码功能(360浏览器,谷歌浏览器,火狐浏览器等是支持显示源代码功能)
步骤图:
1)首页,获取A~Z的页面链接
2)名字链接页,获取每个字母中的名字链接(存在翻页情况)
3)名字内容页,获取每个名字的评论信息
2、编写测试代码
1)获取A~Z链接,在爬取网页信息时,为了减少网页的响应时间,可以根据已知的信息,自动生成对应的链接,这里采取自动生成A~Z之间的连接,以pandas的二维数组形式存储
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'] #自动生成A~Z的链接 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') #循环用于在每个字母链接下,调用爬取名字链接的页面的函数,即函数嵌套 for j in urls: get_pages_Html(j) return urls
2)获取名字链接,根据网页源码分析出包含名字链接的标签,编写代码,名字链接用直接存储的方式存储,方便读取名字链接进行对名字的评论内容的获取
#获取页数 def get_pages_Html(url1): req = requests.get(url1) soup=BeautifulSoup(req.text) #异常处理,为解决页面不存在多页的问题,使用re正则表达式获取页面数 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') #函数调用 for l in pages: parse_HTML2(l) return pages # 名字的链接,根据网页源码的标签,确定名字链接的位置 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)获取名字评论的内容,采用字典形式写入文件
# 名字里的内容 def parse_HTML3(url3): count=0 req = requests.get(url3) req.encoding = req.apparent_encoding soup = BeautifulSoup(req.text) error=[] try: Name=soup.find('h1',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("h4").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、测试代码
1)代码编写完成后,具体的函数调用逻辑,获取链接时,为直接的函数嵌套,获取内容时,为从文件中读取出名字链接,在获取名字的评论内容。避免因为逐层访问,造成访问网页超时,出现异常。
如图:
2)测试结果
4、小结
在爬取网页内容时,要先分析网页源码,再进行编码和调试,遵从爬虫协议(严重者会被封号),在爬取的数据量非常大时,可以设置顺序部分请求(一部分的进行爬取网页内容)。
总之,爬虫有风险,测试需谨慎!!!
以上就是Python爬取网页信息的示例的详细内容,更多关于Python爬取网页信息的资料请关注其它相关文章!