如何采集网站数据（如何快速抓取网页上的数据）

不管是数据分析，还是数据建模乃至数据挖掘，在进行这些高大上的工作之前我们都要进行数据采集，数据是数据工作的基础，没有数据，挖掘也没有意义。俗话说，巧妇难为无米之炊，所以，接下来我们来聊下爬虫。

(资料图片)

爬虫是采集外部数据的重要的方式。常用于竞对分析，也有将爬虫应用成自身的业务，如搜索引擎就是爬虫最高的应用。当然，爬虫也不是可以肆无忌惮的，一不小心可能就变成面向监狱式编程了。

一、什么是爬虫？

爬虫抓取，一般是针对特定的网站或App，通过爬虫脚本或程序对指定的页面进行数据采集。是指通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据。

一般而言，爬虫需要掌握一门编程语言，要了解HTML、网络服务器、数据库等知识，建议从python入门，能快速上手爬虫，并且有很多第三方的类库，能快速方便地进行网页爬虫。

二、如何进行网页爬虫

1、先进行网页解析

按一下F12,即可调出网页调试界面，可以看到Element 标签下对应的 HTML代码，这些其实就是网页的代码，网页都是通过解析hmtl等源码，通过加载、渲染展示成大家看到的样子，就像穿了衣服化妆打扮的你（手动滑稽）。

我们可以进行网页元素的定位，左上角有个小按钮，点一下它然后在网页上找到你想定位的地方，就可以直接定位到此处的源码，如下图所示：

我们可以修改下源码看看，将定位到的源码处【python】改成【我是帅哥】，哎嘿，网页上就会发生不一样的变化。以上主要做科普作用，这块主要还是前端工程师的领域，所有大家看到的地方都是前端地辛苦付出，冰山下的都是后端工程师的地盘。

有点跑题了，回归正题，网页解析到了，可以定位到想要爬去的元素内容了，接下来就是调包写爬虫脚本，基本网页上能看到的都可以爬取，所见即所得。

2、程序如何访问网页

可以点击Network按钮，查看我们在浏览器搜索输入框输入一个关键词：python都经历了什么。涉及的专业内容可能过于复杂，大家感觉到的可能就是我输入了一个关键词，网页给我返回很多内容，其实中间是本地客户端发送一个get请求到服务器端，服务器端通过解析内容，中间经过TCP的三次握手，四次挥手，网络安全、加密等，最后安全地把内容返回到你本地的客户端上，是不是感觉头都开始有点大了，为了我们能快乐地在网络上冲浪，工程师们真的不容易～～

了解了这些内容，有助于帮助我们理解爬虫的机制。简单来说，就是一段程序，模拟人去登录网页，进行请求访问，找到返回的网页内容并把数据下载下来。刚才说到网页network的内容，常见的请求有get、post两种，GET请求把请求参数都暴露在URL上，而POST请求的参数放在request body 里面，POST请求方式还对密码参数加了密，这样就相对安全一些。

程序要模拟请求头（Request Header）进行访问，我们在做http请求的时候除了提交一些参数之外，还定义一些请求的头部信息，比如Accept、Host、cookie、User-Agent等等，主要就是将爬虫程序伪装成正规请求，获取情报内容。

爬虫就有点像间谍，打入地方内部，套取出我方想要的情报，此处不明觉厉，skr~~~

3、请求返回的接收信息

r=requests.get('https://httpbin.org/get')r.status_code//返回200r.headers{'content-encoding':'gzip','transfer-encoding':'chunked','connection':'close','server':'nginx/1.0.4','x-runtime':'148ms','etag':'"e1ca502697e5c9317743dc078f67693f"','content-type':'application/json'}importrequestsr=requests.get('https://api.github.com/events')r.json()//以上操作可以算是最基本的爬虫了，返回内容如下：[{u'repository':{u'open_issues':0,u'url':'https://github.com/...

通过解析返回的json字符串就可以获取到想要的数据了，恭喜～

三、python自动化爬虫实战

接下来，我们来个豆瓣电影排名的爬虫实战：

#!/usr/bin/envpython3#-*-coding:utf-8-*-"""CreatedonWedJul3115:52:532019@author:kaluosi"""importrequestsimportreimportcodecsfrombs4importBeautifulSoupfromopenpyxlimportWorkbookimportpandasaspdwb=Workbook()dest_filename='电影.xlsx'ws1=wb.activews1.title="电影top250"DOWNLOAD_URL='http://movie.douban.com/top250/'defdownload_page(url):"""获取url地址页面内容"""headers={'User-Agent':'Mozilla/5.0(Macintosh;IntelMacOSX10_11_2)AppleWebKit/537.36(KHTML,likeGecko)Chrome/47.0.2526.80Safari/537.36'}data=requests.get(url,headers=headers).contentreturndatadefget_li(doc):soup=BeautifulSoup(doc,'html.parser')ol=soup.find('ol',class_='grid_view')name=[]#名字star_con=[]#评价人数score=[]#评分info_list=[]#短评foriinol.find_all('li'):detail=i.find('div',attrs={'class':'hd'})movie_name=detail.find('span',attrs={'class':'title'}).get_text()#电影名字level_star=i.find('span',attrs={'class':'rating_num'}).get_text()#评分star=i.find('div',attrs={'class':'star'})star_num=star.find(text=re.compile('评价'))#评价info=i.find('span',attrs={'class':'inq'})#短评ifinfo:#判断是否有短评info_list.append(info.get_text())else:info_list.append('无')score.append(level_star)name.append(movie_name)star_con.append(star_num)page=soup.find('span',attrs={'class':'next'}).find('a')#获取下一页ifpage:returnname,star_con,score,info_list,DOWNLOAD_URL+page['href']returnname,star_con,score,info_list,Nonedefmain():url=DOWNLOAD_URLname=[]star_con=[]score=[]info=[]whileurl:doc=download_page(url)movie,star,level_num,info_list,url=get_li(doc)name=name+moviestar_con=star_con+starscore=score+level_numinfo=info+info_list#pandas处理数据c={'电影名称':name,'评论人数':star_con,'电影评分':score,'评论':info}data=pd.DataFrame(c)data.to_excel('豆瓣影评.xlsx')if__name__=='__main__':main()