快捷導(dǎo)航

python爬蟲爬取網(wǎng)頁數(shù)據(jù)并解析數(shù)據(jù)

更新時間：2020年09月18日 15:48:52 作者：小高冷

這篇文章主要介紹了python爬蟲如何爬取網(wǎng)頁數(shù)據(jù)并解析數(shù)據(jù)，幫助大家更好的利用爬蟲分析網(wǎng)頁，感興趣的朋友可以了解下

1.網(wǎng)絡(luò)爬蟲的基本概念

網(wǎng)絡(luò)爬蟲（又稱網(wǎng)絡(luò)蜘蛛，機器人），就是模擬客戶端發(fā)送網(wǎng)絡(luò)請求，接收請求響應(yīng)，一種按照一定的規(guī)則，自動地抓取互聯(lián)網(wǎng)信息的程序。
只要瀏覽器能夠做的事情，原則上，爬蟲都能夠做到。

2.網(wǎng)絡(luò)爬蟲的功能

網(wǎng)絡(luò)爬蟲可以代替手工做很多事情，比如可以用于做搜索引擎，也可以爬取網(wǎng)站上面的圖片，比如有些朋友將某些網(wǎng)站上的圖片全部爬取下來，集中進行瀏覽，同時，網(wǎng)絡(luò)爬蟲也可以用于金融投資領(lǐng)域，比如可以自動爬取一些金融信息，并進行投資分析等。

有時，我們比較喜歡的新聞網(wǎng)站可能有幾個，每次都要分別打開這些新聞網(wǎng)站進行瀏覽，比較麻煩。此時可以利用網(wǎng)絡(luò)爬蟲，將這多個新聞網(wǎng)站中的新聞信息爬取下來，集中進行閱讀。

有時，我們在瀏覽網(wǎng)頁上的信息的時候，會發(fā)現(xiàn)有很多廣告。此時同樣可以利用爬蟲將對應(yīng)網(wǎng)頁上的信息爬取過來，這樣就可以自動的過濾掉這些廣告，方便對信息的閱讀與使用。

有時，我們需要進行營銷，那么如何找到目標(biāo)客戶以及目標(biāo)客戶的聯(lián)系方式是一個關(guān)鍵問題。我們可以手動地在互聯(lián)網(wǎng)中尋找，但是這樣的效率會很低。此時，我們利用爬蟲，可以設(shè)置對應(yīng)的規(guī)則，自動地從互聯(lián)網(wǎng)中采集目標(biāo)用戶的聯(lián)系方式等數(shù)據(jù)，供我們進行營銷使用。

有時，我們想對某個網(wǎng)站的用戶信息進行分析，比如分析該網(wǎng)站的用戶活躍度、發(fā)言數(shù)、熱門文章等信息，如果我們不是網(wǎng)站管理員，手工統(tǒng)計將是一個非常龐大的工程。此時，可以利用爬蟲輕松將這些數(shù)據(jù)采集到，以便進行進一步分析，而這一切爬取的操作，都是自動進行的，我們只需要編寫好對應(yīng)的爬蟲，并設(shè)計好對應(yīng)的規(guī)則即可。

除此之外，爬蟲還可以實現(xiàn)很多強大的功能?？傊?，爬蟲的出現(xiàn)，可以在一定程度上代替手工訪問網(wǎng)頁，從而，原先我們需要人工去訪問互聯(lián)網(wǎng)信息的操作，現(xiàn)在都可以用爬蟲自動化實現(xiàn)，這樣可以更高效率地利用好互聯(lián)網(wǎng)中的有效信息。

3.安裝第三方庫

在進行爬取數(shù)據(jù)和解析數(shù)據(jù)前，需要在Python運行環(huán)境中下載安裝第三方庫requests。

在Windows系統(tǒng)中，打開cmd（命令提示符）界面，在該界面輸入pip install requests,按回車鍵進行安裝。（注意連接網(wǎng)絡(luò)）如下圖

安裝完成，如圖

4.爬取淘寶首頁

# 請求庫
import requests
# 用于解決爬取的數(shù)據(jù)格式化
import io
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
# 爬取的網(wǎng)頁鏈接
r= requests.get("https://www.taobao.com/")
# 類型
# print(type(r))
print(r.status_code)
# 中文顯示
# r.encoding='utf-8'
r.encoding=None
print(r.encoding)
print(r.text)
result = r.text

運行結(jié)果，如圖

5.爬取和解析淘寶網(wǎng)首頁

# 請求庫
import requests
# 解析庫
from bs4 import BeautifulSoup
# 用于解決爬取的數(shù)據(jù)格式化
import io
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
# 爬取的網(wǎng)頁鏈接
r= requests.get("https://www.taobao.com/")
# 類型
# print(type(r))
print(r.status_code)
# 中文顯示
# r.encoding='utf-8'
r.encoding=None
print(r.encoding)
print(r.text)
result = r.text
# 再次封裝，獲取具體標(biāo)簽內(nèi)的內(nèi)容
bs = BeautifulSoup(result,'html.parser')
# 具體標(biāo)簽
print("解析后的數(shù)據(jù)")
print(bs.span)
a={}
# 獲取已爬取內(nèi)容中的script標(biāo)簽內(nèi)容
data=bs.find_all('script')
# 獲取已爬取內(nèi)容中的td標(biāo)簽內(nèi)容
data1=bs.find_all('td')
# 循環(huán)打印輸出
for i in data:
 a=i.text
 print(i.text,end='')
 for j in data1:
  print(j.text)

運行結(jié)果，如圖