python爬取网页实时数据_数据科学必备技能：用 Python 爬取网页

原标题：数据科学必备技能：用 Python 爬取网页

我作为数据科学家的第一个任务，就是做网页爬取。那时候，我对使用代码从网站上获取数据这项技术完全一无所知，它偏偏又是最有逻辑性并且最容易获得的数据来源。在几次尝试之后，网页爬取对我来说就几乎是种本能行为了。如今，它更成为了我几乎每天都要用到的少数几个技术之一。

在今天的文章中，我将会用几个简单的例子，向大家展示如何爬取一个网站——比如从 Fast Track 上获取 2018 年 100 强企业的信息。用脚本将获取信息的过程自动化，不但能节省手动整理的时间，还能将所有企业数据整理在一个结构化的文件里，方便进一步分析查询。

太长不看版：如果你只是想要一个最基本的 Python 爬虫程序的示例代码，本文中所用到的全部代码都放在 GitHub ，欢迎自取。

准备工作

每一次打算用 Python 搞点什么的时候，你问的第一个问题应该是：“我需要用到什么库”。

网页爬取方面，有好几个不同的库可以用，包括：

Beautiful SoupRequestsScrapySelenium

今天我们打算用 Beautiful Soup 库。你只需要用 pip（Python包管理工具）就能很方便地将它装到电脑上：

安装完毕之后，我们就可以开始啦！

检查网页

为了明确要抓取网页中的什么元素，你需要先检查一下网页的结构。

以 Tech Track 100强企业 这个页面为例，你在表格上点右键，选择“检查”。在弹出的“开发者工具”中，我们就能看到页面中的每个元素，以及其中包含的内容。

右键点击你想要查看的网页元素，选择“检查”，就能看到具体的 HTML 元素内容

既然数据都保存在表格里，那么只需要简单的几行代码就能直接获取到完整信息。如果你希望自己练习爬网页内容，这就是一个挺不错的范例。但请记住，实际情况往往不会这么简单。

这个例子里，所有的100个结果都包含在同一个页面中，还被

在表格页面上，你可以看到一个包含了所有100条数据的表格，右键点击它，选择“检查”，你就能很容易地看到这个 HTML 表格的结构。包含内容的表格本体是在这样的标签里：