编程学习网 > 编程语言 > Python > python网页爬虫教程(Python爬取站长之家网页)
2023
05-23

python网页爬虫教程(Python爬取站长之家网页)


在信息时代高速发展的现在,“互联网+”的使用日趋zhanzhang过互联网学习知识,传递思想,沟通交流,在众多数据和用户的碰撞中,互联网经济应运而生。作为一位金融学子,学会利用网络收集信息是最基本的要求,接下来,我将以“行业网站”——站长之家为例,通过Python爬取各个网站的信息(主要为名称、Alexa周排名、反链数等)来更直观、准确地分析其中各个网站在互联网上的竞争力排名,以此了解用户对某些类型网站的喜好程度。

二、实验项目
通过Python爬取“行业网站”——站长之家中各网站的名称、Alexa周排名、反链数等信息
三、实验操作步骤
(一)观察网页
首先通过浏览器进入“行业网站”——站长之家,查看网页的基本结构,通过改变网页得出为静态网页的结论,以下为网站名称及网址:
行业网站 - 行业网站排名 - 网站排行榜 (chinaz.com)

https://top.chinaz.com/hangye

右键点击网页出现审查界面如下:

在此源代码界面,我们能看到我们需要的百度、Alexa周排名、反链数等字样,稍后我们要做的就是将其提取出来。
(二)请求数据
点击网页名字再点击标头,我们就能看到其真实网站,同时发现其请求方法是GET,状态代码Status Code为200通过,说明请求成功。

导入第三方数据库
#导入库
import requests   #requests库请求网页
from lxml import etree #进行文件格式解析
import pandas as pd  #pandas库保存索引信息
设置headers与请求链接
#设置请求头
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36"}
#requests请求链接
rq = requests.get(url,headers=headers).text
(三)解析数据
使用lxml模块中的etree方法将字符串转化为html标签,再使用xpath方法获取多行信息。
我们观察到,需要的网站信息存储在class='listCentent'的ul标签下,该标签在html标签下的body标签下第四个div标签下的第三个div标签下的第二个div标签下。

其Xpath绝对路径如下:
/html/body/div[4]/div[3]/div[2]/ul
我们有个更简便的方法可以获得其绝对路径:右键点击Copy-Copy full Xpath,即可获得该标签Xpath的绝对路径。

我们可以获取各网站信息存储的li标签的list。
li_list = html.xpath("/html/body/div[4]/div[3]/div[2]/ul/li")
我们想获取网站名称、网址、Alexa周排名、反链数等信息,发现其在li标签的下级标签中

#使用lxml模块中的etree方法将字符串转化为html标签
html = etree.HTML(rq)
#用xpath定位标签位置
li_list = html.xpath("/html/body/div[4]/div[3]/div[2]/ul/li")
#获取要爬取内容的详情链接
for li in li_list:
    #爬取网站名称
    sitename = li.xpath("./div[2]/h3/a/text()")[0]
    #爬取网址
    websites = li.xpath("./div[2]/h3/span/text()")[0]
    #爬取Alexa周排名
    Alexa = li.xpath("./div[2]/div/p[1]/a/text()")[0]
    #爬取反链数
    Antichain = li.xpath("./div[2]/div/p[4]/a/text()")[0]
(四)储存数据
上述步骤中,我们已经将import pandas as pd输入,随后通过pandas的to_csv将数据存入csv中,将数据导出为csv文档。
#pandas中的模块将数据存入
df = pd.DataFrame({
"网站名称" : sitename_oyr,
"网址" : websites_oyr,
"Alexa周排名" : Alexa_oyr,
"反链数" : Antichain_oyr,
})
#储存为csv文件
df.to_csv("paiming.csv" , encoding='utf_8_sig', index=False)
(五)循环爬取前15页数据信息
利用url统一资源定位符快速定位网址https://top.chinaz.com/hangye/index_shenghuo_fenlei_0.html,利用代码将0位置替换为{},随后使用format(a*15)作为其中填充,以此循环15次。

运行代码:
for a in range(15):
    #爬取网站的网址并且循环爬取前15页的内容
    url = "https://top.chinaz.com/hangye/index_shenghuo_fenlei_{}.html".format(a*15)
(六)全套代码及运行结果
全部代码:
#导入库
import requests
from lxml import etree
import pandas as pd
#初始列表
sitename_oyr,websites_oyr, Alexa_oyr, Antichain_oyr = [], [], [], []
#设置请求头
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36"}
for a in range(15): 
    #爬取网站的网址并且循环爬取前15页的内容
    url = "https://top.chinaz.com/hangye/index_shenghuo_fenlei_{}.html".format(a*15)   
    #requests请求链接
    rq = requests.get(url,headers=headers).text   
    #使用lxml模块中的etree方法将字符串转化为html标签
    html = etree.HTML(rq)   
    #用xpath定位标签位置
    li_list = html.xpath("/html/body/div[4]/div[3]/div[2]/ul/li")
    #获取要爬取内容的详情链接
    for li in li_list:
        #爬取网站名称
        sitename = li.xpath("./div[2]/h3/a/text()")[0]
        #爬取网址
        websites = li.xpath("./div[2]/h3/span/text()")[0]
        #爬取Alexa周排名
        Alexa = li.xpath("./div[2]/div/p[1]/a/text()")[0]
        #爬取反链数
        Antichain = li.xpath("./div[2]/div/p[4]/a/text()")[0]
        #输出
        print(sitename)
        print(websites)
        print(Alexa)
        print(Antichain)
        #将字段存入初始化的列表中
        sitename_oyr.append(sitename)
        websites_oyr.append(websites)
        Alexa_oyr.append(Alexa)
        Antichain_oyr.append(Antichain)
#pandas中的模块将数据存入
df = pd.DataFrame({
"网站名称" : sitename_oyr,
"网址" : websites_oyr,
"Alexa周排名" : Alexa_oyr,
"反链数" : Antichain_oyr,
})
#储存为csv文件
df.to_csv("paiming.csv" , encoding='utf_8_sig', index=False)
编译器获取结果:

以上就是python网页爬虫教程(Python爬取站长之家网页)的详细内容,想要了解更多Python教程欢迎持续关注编程学习网。

扫码二维码 获取免费视频学习资料

Python编程学习

查 看2022高级编程视频教程免费获取