python爬虫教程——科研向

最新推荐文章于 2024-06-19 10:36:05 发布

Z-Jeff

最新推荐文章于 2024-06-19 10:36:05 发布

阅读量1.1k

点赞数 2

分类专栏： python 文章标签： python 数据挖掘

本文链接：https://blog.csdn.net/Jeff_zjf/article/details/129957706

版权

python 专栏收录该内容

6 篇文章 2 订阅

订阅专栏

引言

在科研中，有时需要爬取网站上的文本数据，用于统计分析，或是制作机器学习所用的数据集。

举个例子，假如我们需要在世界野生鸟类声音网XenoCanto中，爬取网站上的鸟类声音标签信息，如下图所示：

世界野生鸟类声音网数据

该网站上的数据量非常大，有67万条数据，手动复制这么大的数据是不现实的。此时，可利用爬虫程序自动获取网页上的数据，保存为表格，便于科研分析。

本博客将以该网站为例，介绍如何利用爬虫代码搜集我们需要的信息。

1. 对网页的理解

网页是由HTML语言（Hyper Text Markup Language，超文本标记语言）进行描述的。

HTML由成对的开始标签和结束标签组成，其中符号< >表示开始标签，</ >表示结束标签。

标签之间可以嵌套，组成不同层级的标签内容。标签开头的空格数越多，代表其嵌套层数越多。

以下代码是一个简单的HTML内容，其中<html>和</html>是文件开头和结尾的格式，<p>和</p>表示一个段落，中间文本就是该段落的内容。

<html>
    <p> 一个简单的HTML </p>
</html>

可以新建一个test.html文件，用记事本打开，输入该代码，保存后用浏览器打开，就可看到网页结果：

接下来稍微复杂一点，我们在网页中添加一个表格，用<table>和</table>表示。

表格中的每行用<tr>和</tr>表示，tr的含义为table row。

每行中的每列数据用<td>和</td>表示，td的含义为table data。

一个包含表格的网页代码如下：

<html>
    <table> 
        <tr>
            <td> 第一列 </td>
            <td> 第二列 </td>
            <td> 第三列 </td>
        </tr>
        <tr>
            <td> 1 </td>
            <td> 2 </td>
            <td> 3 </td>
        </tr>
    </table>    
</html>

其网页结果：

不同于以上两个简单的示例，实际网页中的标签种类更多，更复杂。

接下来，让我们看看目标网站的HTML代码。

在浏览器页面中，同时按下Ctrl+Shift+C键，进入开发者模式，其中以<!DOCTYPE html>开头的窗口，就是HTML代码窗口啦。将鼠标放置在HTML标签上，网页上对应的内容就会出现蓝色遮罩。点击三角箭头，可以展开或者隐藏某一级标签。

通过人工观察，确定目标数据在<table class="results">标签中，一行数据在一个<tr>标签中，一列数据在一个<td>标签中。其中，class="results"是<table>标签的属性，当网页中存在多个<table>时，可利用属性来定位目标表格。

忽略掉网页内其他数据，该网页HTML进行简化为：

<!DOCTYPE html>
<html>
    ...
    <table class="results">
        ...
        <tr> <!-- 第一行数据 -->
            <td> </td>
            <td> </td>
            ...
        </tr>
        <tr> <!-- 第二行数据 -->
            <td> </td>
            <td> </td>
            ...
        </tr>
        ...
    </table>
    ...
</html>

到此，对目标网页结构的理解已经足够，接下来就是编写爬虫代码，获取目标数据啦。

2. 爬取单个网页

编程语言使用python3，需要三个软件包：requests、BeautifulSoup、csv

安装命令：

pip3 install requests
pip3 install bs4 
# bs4的意思是BeautifulSoup-version4
# csv是python3默认安装，无需额外安装

requests包模拟客户端发送网络请求，接受响应，并获取网页内容。

BeautifulSoup包可作为HTML解析库，从网页内容中提取数据。

csv包用于保存表格数据。

接下来编写爬虫代码，仅需要简单的三步：

（1）请求网页内容

# 从给定链接中，获取网页内容
html = requests.get("https://xeno-canto.org/explore")

（2）提取网页内容

# 按协议解析网页
soup = BeautifulSoup(html.text, 'lxml') 
# 从网页内容中，定位目标表格
table = soup.find('table', attrs={'class': 'results'})
# print(table.text) # 表格文本内容
# 获取网格中所有行  
trs = table.find_all('tr')
data = []
# 遍历每一行
for tr in trs:
    # 获取一行中的所有列
    tds = tr.find_all('td')
    row = []
    # 遍历每一列
    for td in tds:
        row.append(td.text)
    data.append(row)

这里爬虫的核心是两个函数：find()和find_all()

其相同点：

1. 主参数为标签名，也可输入参数attrs={'属性名', '属性值'}，返回满足条件的对象。

2. 返回对象可继续提取子对象。

3. 可通过.text成员变量，获取对象的文本内容。

不同点：

1. find()返回满足条件的第一个对象。

2. find_all()返回满足条件的所有对象，可理解返回一个对象列表。

由此可以抽象出三种代码组织方式，如以下代码所示。使用哪种方式，看具体需求而定。

soup = BeautifulSoup(html.text, 'lxml')

# 第一种方式：嵌套find()
a = find('标签名1')
b = a.find('标签名2')
print(b.text)

# 第二种方式：嵌套find_all()
aa = find_all('标签名1')
for a in aa:
    bb = a.find_all('标签名2')
    for b in bb:
        print(b.text)

# 第三种方式：嵌套find()和find_all()
a = find('标签名1')
bb = a.find_all('标签名2')
for b in bb:
    print(b.text)

（3）保存爬取数据

with open('data.csv', 'w') as f:
    # 用逗号分割表格
    csv_writer = csv.writer(f, delimiter=',') 
    for row in data:
        # 向csv文件中写入一行
        csv_writer.writerow(row)

爬取单个网页内容的完整代码如下：

import requests
from bs4 import BeautifulSoup
import csv

# Step1: 请求网页内容
html = requests.get("https://xeno-canto.org/explore?query=since%3A31&dir=0&order=xc")

# Step2: 提取网页内容
soup = BeautifulSoup(html.text, 'lxml')
table = soup.find('table', attrs={'class': 'results'})
trs = table.find_all('tr')
data = []
for tr in trs:
    tds = tr.find_all('td')
    row = []
    for td in tds:
        row.append(td.text)
    data.append(row)
    
# Step3: 保存爬取数据
with open('data.csv', 'w') as f:
    csv_writer = csv.writer(f, delimiter=',')
    for row in data:
        csv_writer.writerow(row)

可以直接复制粘贴代码，运行一下，看看保存的表格内容。

到这里，恭喜你，你已经会简单的爬虫了！

3. 爬取多个有序网页

接下来，让我们把需求稍微变得复杂一点。

在目标网站中，数据是分页的，有226页！

如果爬取一页，就手动更换requests.get()中的网址，显然是不现实的。

幸运的是，这种分页的网址是有序的。

# 第一页网址：
https://xeno-canto.org/explore?query=since%3A31&dir=0&order=xc&pg=1
# 第二页网址：
https://xeno-canto.org/explore?query=since%3A31&dir=0&order=xc&pg=2
...
# 最后一页网址：
https://xeno-canto.org/explore?query=since%3A31&dir=0&order=xc&pg=25583

观察不同页码的网址，可以看出规律：网址末尾的最后一个数字为页数。

按照找到的规律，在代码上加一点逻辑，就可以爬取多个网页啦：

import requests
from bs4 import BeautifulSoup
import csv

page_num = 226
url_prefix = 'https://xeno-canto.org/explore?query=since%3A31&dir=0&order=xc&pg='
file_name = 'data.csv'

f = open(file_name, 'w')
csv_writer = csv.writer(f, delimiter=',')
count = 0
for idx in range(1, page_num+1):
    url = url_prefix + str(idx)
    html = requests.get(url)
    soup = BeautifulSoup(html.text, 'lxml')
    table = soup.find('table', attrs={'class': 'results'})
    trs = table.find_all('tr')
    # 跳过第一行表头
    for tr in trs[1:]: 
        tds = tr.find_all('td')
        row = []
        for td in tds:
            row.append(td.text)
        csv_writer.writerow(row)
        count += 1
    print('爬取页数:', idx, '数据个数:', count, '当前网址:', url)
            
print('所有网页爬取完成！')