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(gè)名字的評(píng)論內(nèi)容，包括英文名，用戶名，評(píng)論的時(shí)間和評(píng)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(diǎn)擊鼠標(biāo)右鍵，在彈出的對(duì)話框中，選擇“檢查”，則在界面會(huì)顯示該網(wǎng)頁的源代碼，在具體內(nèi)容處點(diǎn)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(gè)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(gè)名字的評(píng)論信息

2、編寫測(cè)試代碼

1)獲取A~Z鏈接，在爬取網(wǎng)頁信息時(shí)，為了減少網(wǎng)頁的響應(yīng)時(shí)間，可以根據(jù)已知的信息，自動(dòng)生成對(duì)應(yīng)的鏈接，這里采取自動(dòng)生成A~Z之間的連接，以pandas的二維數(shù)組形式存儲(chǔ)

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(dòng)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(gè)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(chǔ)的方式存儲(chǔ)，方便讀取名字鏈接進(jìn)行對(duì)名字的評(píng)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 numdef 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(píng)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(’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、測(cè)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(shí)，為直接的函數(shù)嵌套，獲取內(nèi)容時(shí)，為從文件中讀取出名字鏈接，在獲取名字的評(píng)論內(nèi)容。避免因?yàn)橹饘釉L問，造成訪問網(wǎng)頁超時(shí)，出現(xiàn)異常。

如圖：

2)測(cè)試結(jié)果

4、小結(jié)

在爬取網(wǎng)頁內(nèi)容時(shí)，要先分析網(wǎng)頁源碼，再進(jìn)行編碼和調(diào)試，遵從爬蟲協(xié)議（嚴(yán)重者會(huì)被封號(hào)），在爬取的數(shù)據(jù)量非常大時(shí)，可以設(shè)置順序部分請(qǐng)求（一部分的進(jìn)行爬取網(wǎng)頁內(nèi)容）。

總之，爬蟲有風(fēng)險(xiǎn)，測(cè)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(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！