爬虫案例2——爬取NBA球员排行

ballball~~

于 2024-08-12 16:31:38 发布

阅读量571

点赞数 16

分类专栏：爬虫学习文章标签：爬虫 python

本文链接：https://blog.csdn.net/m0_66890670/article/details/141130047

版权

爬虫学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

简介：个人学习分享，如有错误，欢迎批评指正

任务：从虎扑体育中爬取NBA球员得分数据排行

目标网页地址：https://nba.hupu.com/stats/players

一、思路和过程

目标网页具体内容如下：
在这里插入图片描述
我们的任务是将上图红色框框里面的内容爬取下来，保存为txt文件。

1.定义目标URL

由于网页普遍具有反爬程序，不加修饰的直接访问网页可能会失败，所以第一步学会伪装自己。
如何伪装自己呢，可以通过找到正常访问网页时的访问状态，将自己的这次爬虫模拟成一次正常访问网页，因此我们的目标是找到正常访问网页时的User-Agent。User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。User-Agent就是你访问网页的身份证明。具体操作如下：

首先打开目标网页，然后点击鼠标右键后选择检查打开网页的HTML 页面。
在这里插入图片描述

在HTML 页面里面依次点击网络，然后任意点一条网络请求（如果没有显示任何网络请求可以点击网页左上角的刷新），然后选择标头，下拉列表找到User-Agent，User-Agent后面那段内容就是我们用来伪装自己的身份码。

在这里插入图片描述

2.发送GET请求获取网页内容

通过上面的步骤我们获得了
url = ‘https://nba.hupu.com/stats/players’

User-Agent:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0’

接下来发起网页访问请求，代码如下：

import requests  # 引入requests库，用于发送HTTP请求
from lxml import etree  # 引入lxml库中的etree模块，用于解析HTML文档

# 定义目标URL，即要爬取的网页地址
url = 'https://nba.hupu.com/stats/players'

# 定义HTTP请求头，其中包括User-Agent信息，用于伪装成浏览器进行访问
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0'
}

# 发送GET请求获取网页内容，并将响应内容存储在resq变量中
resq = requests.get(url, headers=headers)
# 打印响应内容，检查获取到的HTML文本
print(resq.text)

查看print结果，我们发现成功获得了网页相关的html表达，
在这里插入图片描述

3.分析网页内容

接下来对html进行解析获得我们目标内容。
这里，我们需要借助工具xpath来辅助内容解析，xpath安装教程

安装成功后，按Ctrl+Shift+Alt 启动 xpath，网页上方出现如下图所示框，
在这里插入图片描述
找到目标内容方法
例：我们的目标是找到凯文杜兰特在html中的位置。点击如下图左边标记（1），该命令的含义是在网页中选择一个元素以进行检查，即当你把鼠标放在网页的某一位置，下面也会自动定位到html中该内容所在位置，如图所示，把鼠标放在凯文-杜兰特（2），下面显示凯文-杜兰特在html中所在位置（3）。
在这里插入图片描述

明确目标内容的位置。具体的，如下图所示“德文-布克”，它位于players_table中的tr层中的td层中的a里面。

在这里插入图片描述
因此，我们可以通过这个层层关系来找到目标“德文-布克”，借助刚才安装的工具xpath,一步步演示层层查找过程。
首先，添加players_table，可以发现下面整个框以绿色被选中，

其次，加上筛选条件tr得

再者，再加上筛选条件td得
在这里插入图片描述
进一步发现，从上往下每一个td代表表中的一个指标

进一步通过xpath验证,td[1]得到了第一列的数据。
在这里插入图片描述
因此，通过xpath的可视化辅助，得上面地址//table[@class="players_table"]//tr//td可以获取目标数据

4.获取目标数据

上一步得到了目标数据的地址，接下来就是分别获得到目标数据，代码如下：

# 使用etree.HTML方法将HTML文本解析为一个HTML文档对象
e = etree.HTML(resq.text)

# 使用XPath语法从HTML文档中提取出球员排名数据（第一列）
nos = e.xpath('//table[@class="players_table"]//tr//td[1]/text()')
# 使用XPath语法从HTML文档中提取出球员姓名数据（第二列）
names = e.xpath('//table[@class="players_table"]//tr//td[2]/a/text()')
# 使用XPath语法从HTML文档中提取出球员所在球队数据（第三列）
teams = e.xpath('//table[@class="players_table"]//tr//td[3]/a/text()')
# 使用XPath语法从HTML文档中提取出球员得分数据（第四列）
scores = e.xpath('//table[@class="players_table"]//tr//td[4]/text()')

5.保存数据

存为一个txt文件

# 打开一个名为'nba.txt'的文件，使用utf-8编码进行写入
with open('nba.txt', 'w', encoding='utf-8') as f:
    # 使用zip函数将排名、姓名、球队和得分数据组合在一起，逐行写入文件
    for no, name, team, score in zip(nos, names, teams, scores):
        # 写入格式为：排名：{no} 姓名：{name} 球队：{team} 得分：{score}
        f.write(f'排名：{no} 姓名：{name} 球队：{team} 得分：{score}\n')

二、完整python代码

import requests  # 引入requests库，用于发送HTTP请求
from lxml import etree  # 引入lxml库中的etree模块，用于解析HTML文档

# 定义目标URL，即要爬取的网页地址
url = 'https://nba.hupu.com/stats/players'

# 定义HTTP请求头，其中包括User-Agent信息，用于伪装成浏览器进行访问
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36 Edg/126.0.0.0'
}

# 发送GET请求获取网页内容，并将响应内容存储在resq变量中
resq = requests.get(url, headers=headers)
# 打印响应内容，检查获取到的HTML文本
print(resq.text)

# 使用etree.HTML方法将HTML文本解析为一个HTML文档对象
e = etree.HTML(resq.text)

# 使用XPath语法从HTML文档中提取出球员排名数据（第一列）
nos = e.xpath('//table[@class="players_table"]//tr//td[1]/text()')
# 使用XPath语法从HTML文档中提取出球员姓名数据（第二列）
names = e.xpath('//table[@class="players_table"]//tr//td[2]/a/text()')
# 使用XPath语法从HTML文档中提取出球员所在球队数据（第三列）
teams = e.xpath('//table[@class="players_table"]//tr//td[3]/a/text()')
# 使用XPath语法从HTML文档中提取出球员得分数据（第四列）
scores = e.xpath('//table[@class="players_table"]//tr//td[4]/text()')

# 打开一个名为'nba.txt'的文件，使用utf-8编码进行写入
with open('nba.txt', 'w', encoding='utf-8') as f:
    # 使用zip函数将排名、姓名、球队和得分数据组合在一起，逐行写入文件
    for no, name, team, score in zip(nos, names, teams, scores):
        # 写入格式为：排名：{no} 姓名：{name} 球队：{team} 得分：{score}
        f.write(f'排名：{no} 姓名：{name} 球队：{team} 得分：{score}\n')