首页 > 编程知识 正文

爬虫文章采集,爬虫 爬取

时间:2023-05-04 03:22:16 阅读:205570 作者:1254

目录


0.写在前面

1.分析页面

2.获取页面源码

3.解析数据

4.数据存储及导出

4.1 数据存储

4.2 数据导出

5.pandas实现导出

6.面向对象封装


0.写在前面

目标页面

http://i.dxy.cn/profile/yilizhongzi

目的

爬取丁香园用户主页的信息,这些信息如下图字段:


爬取字段图

也就是从用户主页提取这些数据,那么我们开始实战!

1.分析页面


分析页面图


我们需要爬取的信息就是上述图中侧边栏信息,它对应的源码如图中红色方框所示!

思路

第一步:获取页面源码

第二步:通过xpath解析对应数据,并存储为字典格式

第三步:存储至MongoDB数据库,并利用可视化工具导出csv文件

第四步:存储至excel中(或csv文件)中

2.获取页面源码

def get_html(self):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    }
    req = requests.get(self.url, headers=headers).text
    # print(req)
    return req

3.解析数据

xpath解析方法

以下面实际例子为例:

谷歌浏览器右键检查,页面分析源码,找到如下图的div,然后会发现class="follows-fans clearfix"里面包含这三个关注、粉丝、kddgq相关信息。

那么通过xpath解析即可获取到相应的数据。具体的xpath语法,请参看网上资料,此处不做详细解释。只对相应语句添加相应注释。认真看注释!!!


元素提取图


'''
满足class值的div下面的所有p标签的text()属性,因为上述第一个p标签下面还有a标签,所有这里直接取的就是关注/粉丝/kddgq这些字符串,每个对应的值28/90/1128,通过进一步定位到a标签进行解析。参看第二行代码。
'''
force_fan_dd_key = selector.xpath('//div[@class="follows-fans clearfix"]//p/text()')
force_fan_dd_value = selector.xpath('//div[@class="follows-fans clearfix"]//p/a/text()')


下面对获取用户信息进行封装


import requests
from lxml import etree
def get_UserInfo(self):
    raw_html = self.get_html()
    selector = etree.HTML(raw_html)
    key_list = []
    value_list = []
    force_fan_dd_key = selector.xpath('//div[@class="follows-fans clearfix"]//p/text()')
    force_fan_dd_value = selector.xpath('//div[@class="follows-fans clearfix"]//p/a/text()')
    for each in force_fan_dd_key:
        key_list.append(each)
    for each in force_fan_dd_value:
        value_list.append(each)

    UserInfo_dict = dict(zip(key_list, value_list))  # 两个list合并为dict
    # print(UserInfo_dict) # {'关注': '28', '粉丝': '90', 'kddgq': '1128'}

    user_home = selector.xpath('//p[@class="details-wrap__items"]/text()')[0]
    user_home = user_home.replace(',', '')  # 去掉逗号,否则使用MongoDB可视化工具导出csv文件报错!

    # print(user_home)
    UserInfo_dict['地址'] = user_home
    user_profile = selector.xpath('//p[@class="details-wrap__items details-wrap__last-item"]/text()')[0]
    UserInfo_dict['座右铭'] = user_profile
    # print(UserInfo_dict)
    # 帖子被浏览
    article_browser = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-topic fl"]/p/text()')
    UserInfo_dict[article_browser[0]] = article_browser[1]
    # 帖子被投票
    article_vote = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-vote fl"]/p/text()')
    UserInfo_dict[article_vote[0]] = article_vote[1]
    # 帖子被收藏
    article_collect = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-fav fl"]/p/text()')
    UserInfo_dict[article_collect[0]] = article_collect[1]
    # 在线时长共
    onlie_time = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-time fl"]/p/text()')
    UserInfo_dict[onlie_time[0]] = onlie_time[1]
    # print(UserInfo_dict)
    return UserInfo_dict

4.数据存储及导出 4.1 数据存储

import pymongo
MONGO_URI = 'localhost' 
MONGO_DB = 'test' # 定义数据库
MONGO_COLLECTION = 'dxy' # 定义数据库表
def __init__(self, user_id, mongo_uri, mongo_db):
    self.url = base_url + user_id # 这行代码与数据存储无关
    self.client = pymongo.MongoClient(mongo_uri)
    self.db = self.client[mongo_db]
def Save_MongoDB(self, userinfo):
    self.db[MONGO_COLLECTION].insert(userinfo)
    self.client.close()

MongoDB可视化工具:MongoDB Compass Community


MongoDB可视化工具图


安装好后,每次打开会提示连接数据库,这里就是不变动任何信息,直接点CONNECT即可!

注意一个区别:Collection就是数据库的表!如下图就是test数据库中的dxy表。


MongoDB存储结果图

4.2 数据导出

选择左上角的Collection->Export Collection,然后弹出如下图的框,选择导出格式及存储文件路径,保存即可!

导出结果


MongoDB导出结果图


5.pandas实现导出

import pandas as pd
def Sava_Excel(self, userinfo):
    key_list = []
    value_list = []
    for key, value in userinfo.items():
        key_list.append(key)
        value_list.append(value)
    key_list.insert(0, '用户名') # 增加用户名列
    value_list.insert(0, user) # 增加用户名
    # 利用pandas进行导出
    data = pd.DataFrame(data=[value_list], columns=key_list)
    print(data)
    '''
    表示以用户名命名csv文件,并去掉DataFame序列化后的index列(这就是index=False的意思),并以utf-8编码,
    防止中文乱码。
    注意:一定要先用pandas的DataFrame序列化后,方可使用to_csv方法导出csv文件!
    '''
    data.to_csv('./' + user + '.csv', encoding='utf-8', index=False) 

6.面向对象封装

最后,采用面向对象思想对上述代码进行封装。想查看代码的可以点击原文~~嘿嘿


版权声明:该文观点仅代表作者本人。处理文章:请发送邮件至 三1五14八八95#扣扣.com 举报,一经查实,本站将立刻删除。