Python中怎么抓取并存儲網頁數據

本篇文章為大家展示了Python中怎么抓取并存儲網頁數據，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

第一步：嘗試請求

首先進入b站首頁，點擊排行榜并復制鏈接

https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3

現在啟動Jupyter notebook，并運行以下代碼

import requests  url = 'https://www.bilibili.com/ranking?spm_id_from=333.851.b_7072696d61727950616765546162.3' res = requests.get('url') print(res.status_code) #200

在上面的代碼中，我們完成了下面三件事

• 導入requests

• 使用get方法構造請求

• 使用status_code獲取網頁狀態碼

可以看到返回值是200，表示服務器正常響應，這意味著我們可以繼續進行。

第二步：解析頁面

在上一步我們通過requests向網站請求數據后，成功得到一個包含服務器資源的Response對象，現在我們可以使用.text來查看其內容

可以看到返回一個字符串，里面有我們需要的熱榜視頻數據，但是直接從字符串中提取內容是比較復雜且低效的，因此我們需要對其進行解析，將字符串轉換為網頁結構化數據，這樣可以很方便地查找HTML標簽以及其中的屬性和內容。

在Python中解析網頁的方法有很多，可以使用正則表達式，也可以使用BeautifulSoup、pyquery或lxml，本文將基于BeautifulSoup進行講解.

Beautiful Soup是一個可以從HTML或XML文件中提取數據的第三方庫.安裝也很簡單，使用pip install  bs4安裝即可，下面讓我們用一個簡單的例子說明它是怎樣工作的

from bs4 import BeautifulSoup  page = requests.get(url) soup = BeautifulSoup(page.content, 'html.parser') title = soup.title.text  print(title) # 熱門視頻排行榜 - 嗶哩嗶哩 (゜-゜)つロ 干杯~-bilibili

在上面的代碼中，我們通過bs4中的BeautifulSoup類將上一步得到的html格式字符串轉換為一個BeautifulSoup對象，注意在使用時需要制定一個解析器，這里使用的是html.parser。

接著就可以獲取其中的某個結構化元素及其屬性，比如使用soup.title.text獲取頁面標題，同樣可以使用soup.body、soup.p等獲取任意需要的元素。

第三步：提取內容

在上面兩步中，我們分別使用requests向網頁請求數據并使用bs4解析頁面，現在來到最關鍵的步驟：如何從解析完的頁面中提取需要的內容。

在Beautiful  Soup中，我們可以使用find/find_all來定位元素，但我更習慣使用CSS選擇器.select，因為可以像使用CSS選擇元素一樣向下訪問DOM樹。

現在我們用代碼講解如何從解析完的頁面中提取B站熱榜的數據，首先我們需要找到存儲數據的標簽，在榜單頁面按下F12并按照下圖指示找到

可以看到每一個視頻信息都被包在class="rank-item"的li標簽下，那么代碼就可以這樣寫

all_products = []  products = soup.select('li.rank-item') for product in products:     rank = product.select('div.num')[0].text     name = product.select('div.info > a')[0].text.strip()     play = product.select('span.data-box')[0].text     comment = product.select('span.data-box')[1].text     up = product.select('span.data-box')[2].text     url = product.select('div.info > a')[0].attrs['href']      all_products.append({         "視頻排名":rank,         "視頻名": name,         "播放量": play,         "彈幕量": comment,         "up主": up,         "視頻鏈接": url     })

在上面的代碼中，我們先使用soup.select('li.rank-item')，此時返回一個list包含每一個視頻信息，接著遍歷每一個視頻信息，依舊使用CSS選擇器來提取我們要的字段信息，并以字典的形式存儲在開頭定義好的空列表中。

可以注意到我用了多種選擇方法提取去元素，這也是select方法的靈活之處，感興趣的讀者可以進一步自行研究。

第四步：存儲數據

通過前面三步，我們成功的使用requests+bs4從網站中提取出需要的數據，最后只需要將數據寫入Excel中保存即可。

如果你對pandas不熟悉的話，可以使用csv模塊寫入，需要注意的是設置好編碼encoding='utf-8-sig'，否則會出現中文亂碼的問題

import csv keys = all_products[0].keys()  with open('B站視頻熱榜TOP100.csv', 'w', newline='', encoding='utf-8-sig') as output_file:     dict_writer = csv.DictWriter(output_file, keys)     dict_writer.writeheader()     dict_writer.writerows(all_products)

如果你熟悉pandas的話，更是可以輕松將字典轉換為DataFrame，一行代碼即可完成

import pandas as pd keys = all_products[0].keys()  pd.DataFrame(all_products,columns=keys).to_csv('B站視頻熱榜TOP100.csv', encoding='utf-8-sig')

上述內容就是Python中怎么抓取并存儲網頁數據，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。