3.python爬虫实战：爬取数据并存储在excel中【Python】（测试代码+api例程）

最新推荐文章于 2023-12-12 14:15:53 发布

发现你走远了

最新推荐文章于 2023-12-12 14:15:53 发布

阅读量2.8k

点赞数 3

分类专栏： python # 爬虫数据分析可视化实战文章标签： python 爬虫数据挖掘

本文链接：https://blog.csdn.net/u011027547/article/details/124853004

版权

python 同时被 2 个专栏收录

201 篇文章 155 订阅

订阅专栏

爬虫数据分析可视化实战

5 篇文章 2 订阅

订阅专栏

API说明：

“%10s %10s %10s” % (“名称”, “分数”, “城市”)
让字符串占位10个位置，占位格式化输出

resp.encoding = ‘utf-8’
一定要加上这句编码格式设定为utf-8，否则会乱码。
不加编码格式会出现下图的情况：

name = tr.xpath(“./td[2]/div/div[2]/div[1]/div/div/a/text()”)[0].replace(" “, “”).replace(”\n", “”)
获取指定xpath节点的文本，取得列表第一项，replace格式化掉多于的空格和换行符

思路

导入库

import pandas as pd
import numpy as np

通过panda库把result列表转为DataFrame类型，并且设置行列的索引

result=pd.DataFrame(result,index=list(np.arange(start_year,end_year+1)),columns=list(np.arange(1,31)))

to_excel 导出为excel文件

result=pd.DataFrame(result,index=list(np.arange(start_year,end_year+1)),columns=list(np.arange(1,31)))
print(result)
result.to_excel("爬取近5年的排行榜信息.xls")

-------下面是前面文章的步骤，如果看过可以跳过---------

这里先讲与上一文章的区别，就是从遍历一年的数据变成了访问多年的数据。

我们先观察一下2021年排行榜的网站的urlhttps://www.shanghairanking.cn/rankings/bcur/2021
我们再观察一下2022年排行榜的网站的urlhttps://www.shanghairanking.cn/rankings/bcur/2022

这里可以发现区别在于末尾的2021变成了2022

所以我们只需要for循环，最近的5年，改变url的末尾年数，重复上一文章的爬取就可以了。
这里我们增加代码复用，封装一个函数getYearData输入年份year字符串格式
返回一个result数组

#输入年份year字符串格式
#返回一个result数组
def getYearData(year):
    url = "https://www.shanghairanking.cn/rankings/bcur/"+year
    resp = requests.get(url)# 拿到页面源代码
    resp.encoding = 'utf-8'  # 一定要加上这句编码格式设定，否则会乱码。
    html = etree.HTML(resp.text)# 提取和解析数据

    # 拿到所有学校的数据集合/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr
    # 某个学校的名字   /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[2]/div/div[2]/div[1]/div/div/a
    # 某个学校的分数   /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[5]
    # 某个学校的城市   /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[3]/text()

    #拿到所有学校的数据集合,这样方便后续的循环for遍历，类似先找到所有对象的集合，然后对每个对象进行统一的提取信息操作
    tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")
    result = []
    for tr in tbody:  # 每一个学校信息
        ls = []
        name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名
        mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数
        city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市
        ls.append(name)
        ls.append(mark)
        ls.append(city)
        result.append(ls)

    # print("%10s %10s %10s" % ("名称", "分数", "城市"))
    # for i in result:
    #     print("%10s %10s %12s" % (i[0], i[1], i[2]))#占位输出，这里后续可以继续优化，但是本题重点是爬虫，不再过度深究
    return result

主代码业务逻辑部分

start_year=2016
end_year=2021
result=[]
for i in range(start_year,end_year+1):
    result.append(getYearData(str(i)))#把每一年的数据加入到result数组中
print(result)#打印数组

导入必要的包

import requests
from lxml import etree

根据url获取页面源码并提取和解析数据（注意，这里一定要记得转化编码格式，否则会乱码！！！）

url = "https://www.shanghairanking.cn/rankings/bcur/2021"
resp = requests.get(url)# 拿到页面源代码
resp.encoding = 'utf-8'  # 一定要加上这句编码格式设定，否则会乱码。
html = etree.HTML(resp.text)# 提取和解析数据

拿到所有学校的数据集合（这里末尾的tr[1]表示取第一个学校，改成tr后表示取所有的tr也就是取所有的学校）,这样方便后续的循环for遍历，类似先找到所有对象的集合，然后对每个对象进行统一的提取信息操作

tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")

取出信息并且装入result列表，二层列表嵌套

result = []
for tr in tbody:  # 每一个学校信息
    ls = []
    name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名
    mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数
    city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市
    ls.append(name)
    ls.append(mark)
    ls.append(city)
    result.append(ls)

注意事项

一定要加上这句编码格式设定为utf-8，否则会乱码。
使用复制完整的xpath路径，新手入门建议

完整代码

# @Time    : 2022/5/18 22:38
# @Author  : 南黎
# @FileName: 3爬取数据并存储在excel中，绘制图表.py

import requests
from lxml import etree


#输入年份year字符串格式
#返回一个result数组
def getYearData(year):
    url = "https://www.shanghairanking.cn/rankings/bcur/"+year
    resp = requests.get(url)# 拿到页面源代码
    resp.encoding = 'utf-8'  # 一定要加上这句编码格式设定，否则会乱码。
    html = etree.HTML(resp.text)# 提取和解析数据

    # 拿到所有学校的数据集合/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr
    # 某个学校的名字   /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[2]/div/div[2]/div[1]/div/div/a
    # 某个学校的分数   /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[5]
    # 某个学校的城市   /html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr[1]/td[3]/text()

    #拿到所有学校的数据集合,这样方便后续的循环for遍历，类似先找到所有对象的集合，然后对每个对象进行统一的提取信息操作
    tbody = html.xpath("/html/body/div/div/div/div[2]/div/div[3]/div[2]/div[1]/div/div[2]/table/tbody/tr")
    result = []
    for tr in tbody:  # 每一个学校信息
        ls = []
        name = tr.xpath("./td[2]/div/div[2]/div[1]/div/div/a/text()")[0].replace(" ", "").replace("\n", "")#学校名
        mark = tr.xpath("./td[5]/text()")[0].replace(" ", "").replace("\n", "")#学校分数
        city = tr.xpath("./td[3]/text()")[0].replace(" ", "").replace("\n", "")#学校城市
        ls.append(name)
        ls.append(mark)
        ls.append(city)
        result.append(ls)

    # print("%10s %10s %10s" % ("名称", "分数", "城市"))
    # for i in result:
    #     print("%10s %10s %12s" % (i[0], i[1], i[2]))#占位输出，这里后续可以继续优化，但是本题重点是爬虫，不再过度深究
    return result

start_year=2017
end_year=2021
result=[]
for i in range(start_year,end_year+1):
    result.append(getYearData(str(i)))#把每一年的数据加入到result数组中
print(result)#打印数组


import pandas as pd
import numpy as np
result=pd.DataFrame(result,index=list(np.arange(start_year,end_year+1)),columns=list(np.arange(1,31)))
print(result)
result.to_excel("爬取近5年的排行榜信息.xls")