python爬取知乎live_左手用R右手Python系列之——表格数据抓取之道

在抓取数据时，很大一部分需求是抓取网页上的关系型表格。

对于表格而言，R语言和Python中都封装了表格抓取的快捷函数，R语言中XML包中的readHTMLTables函数封装了提取HTML内嵌表格的功能，rvest包的read_table()函数也可以提供快捷表格提取需求。Python中read_html同样提供直接从HTML中抽取关系表格的功能。

HTML语法中内嵌表格有两类，一类是table，这种是通常意义上所说的表格，另一类是list，这种可以理解为列表，但从浏览器渲染后的网页来看，很难区分这两种，因为效果上几乎没有差异，但是通过开发者工具的后台代码界面，table和list是两种截然不同的HTML元素。

以上所说到的函数是针对HTML文档中不同标签设计的，所以说如果不加区分的使用这些函数提取表格，很可能对于那些你认为是表格，但是是实际上是list的内容无效。

library("RCurl")

library("XML")

library("magrittr")

library("rvest")

针对XML包而言，一共有三个HTML元素提取的快捷函数，分别是针对HTML表格元素，列表元素，和链接元素，这些快捷函数都是：

readHTMLTable() #获取网页表格

readHTMLList() #获取网页列表

getHTMLlinks() #从HTML网页获取链接

readHTMLTable

readHTMLTable(doc,header=TRUE)

#the HTML document which can be a file name or a URL or an

#already parsed HTMLInternalDocument, or an HTML node of class

#XMLInternalElementNode, or a character vector containing the HTML

#content to parse and process.

该函数支持的HTML文档格式非常广泛，doc可以是一个url链接，可以是一个本地html文档，可以是一个已经解析过的HTMLInternalDocument部件，或者提取出来的HTML节点，甚至包含HTML语法元素的字符串向量。

以下是一个案例，也是我自学爬虫时爬过的网页，后来可能有改版，很多小伙伴儿用那些代码爬不出来，问我咋回事儿。自己试了以下也不行，今天借机重新梳理思路。

URL<-"https://www.aqistudy.cn/historydata/monthdata.php?city=北京" %>% xml2::url_escape(reserved ="][!$&'()*+,;=:/?@#")

####

关于网址转码，如果你不想使用函数进行编码转换，

可以通过在线转码平台转码后赋值黏贴使用，但是这不是一个好习惯，

在封装程序代码时无法自动化。

#http://tool.oschina.net/encode?type=4

#R语言自带的转码函数URLencode()转码与浏览器转码结果不一致，

所以我找了很多资料，在xml2包里找打了rvest包的url转码函数，

稍微做了修改，现在这个函数你可以放心使用了！（注意里面的保留字）

###

mydata<-readHTMLTable(URL,header=TRUE)

#Warning message:

#XML content does not seem to be XML: #'https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC'

header<-c("User-Agent"="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36")

mytable<-getURL(URL,httpheader=header,.encoding="UTF-8") %>% htmlParse(encoding ="UTF-8") %>% readHTMLTable(header=TRUE)

结果竟然是空的，我猜测这个网页一定是近期做过改版，里面加入了一些数据隐藏措施，这样除了浏览器初始化解析可以看到数据表之外，浏览器后台的network请求链接里都看不到具体数据。

这样既没有API链接，又无法请求道完整网页怎么办呢？别怕，我们不是还有Selenium大法，不行我们就暴力抓取呀！

本次使用Rselenium包，结合plantomjs浏览器来抓取网页。（关于配置可以直接百度，此类帖子很多，主要是版本对应，相应路径加入环境变量）。

###启动selenium服务：

cd D:\

java -jar selenium-server-standalone-3.3.1.jar

###以上代码在PowerShell中运行，启动selenium服务器。

#创建一个remoteDriver对象，并打开

library("RSelenium")

remDr <- remoteDriver(browserName = "phantomjs")

remDr$open()

#访问登录的页面

remDr$navigate("https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC")

mytable<-remDr$getPageSource()[[1]] %>% htmlParse(encoding ="UTF-8") %>% readHTMLTable(header=TRUE,which =1)

mytable<-remDr$getPageSource()[[1]] %>% read_html(encoding ="UTF-8") %>% html_table(header=TRUE) %>% `[[`(1)

#关闭remoteDriver对象

remDr$close()

以上两者是等价的，我们获取了一模一样的表格数据，数据预览如下：

DT::datatable(mytable)

readHTMLTable函数和rvest函数中的html_table都可以读取HTML文档中的内嵌表格，他们是很好的高级封装解析器，但是并不代表它们可以无所不能。

毕竟巧妇难为无米之炊，首先需要拿米才能下锅,所以我们在读取表格的时候，最好的方式是先利用请求库请求（RCurl或者httr），请求回来的HTML文档再使用readHTMLTable函数或者html_table函数进行表格提取，否则将无功而反，遇到今天这种情况的，明明浏览器渲染后可以看到完整表格，然后后台抓取没有内容，不提供API访问，也拿不到完整的html文档，就应该想到是有什么数据隐藏的设置。

没关系见招拆招嘛，既然浏览器能够解析，那我就驱动浏览器获取解析后的HTML文档，返回解析后的HTML文档，之后的工作就是使用这些高级函数提取内嵌表格了。

那么selenium服务器+plantomjs无头浏览器帮我们做了什么事呢，其实只做了一件事——帮我们做了一个真实的浏览器请求，这个请求是由plantomjs无头浏览器完成的，它帮我们把经过渲染后的完整HTML文档传送过来，这样我们就可以使用readHTMLTable函数或者read_table()

在XML包中，还有另外两个非常好用的高阶封装函数：

一个用于抓取链接，一个用于抓取列表。

readHTMLList

getHTMLLinks

我随便找了一个天气网首页，有全国各大城市的空气指数数据。这个看似是一个表格，实际不一定，我们可以使用现有表格函数试一试。

url<-"http://www.tianqi.com/air/"

mylist <-getURL(url,httpheader=header,.encoding="UTF-8") %>% htmlParse(encoding ="gbk") %>% readHTMLTable(header=TRUE)

mylist < url %>% read_html(encoding ="gbk") %>% html_table(header=TRUE) %>% `[[`(1)

NULL

使用以上代码抓内容是空的，原因有两种情况，一种是html里面标签根本不是table格式，有可能是list,另外一种情况可能跟上例一样，表格数据被隐藏。看一下源码就知道这个版块其实是list无序列表存储的，所以使用readtable肯定行不通，这时候就是readHTMLList函数大显身手的时候了。

header<-c(

"User-Agent"="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36"

)

mylist <-getURL(url,httpheader=header,.encoding="windows-1253") %>% htmlParse() %>% readHTMLList() %>% `[[`(4) %>% .[2:length(.)]

mylist <-read_html(url,encoding="UTF-8") %>% html_nodes(".thead li") %>% html_text() %>% `[[`(4) %>% .[2:length(.)]

mylist <-read_html(url,encoding="UTF-8") %>% htmlParse() %>% readHTMLList() %>% `[[`(4)

虽然成功的获取到了结果，但是遇到了令人厌恶的编码问题，不想跟各种编码斗智斗勇，再次使用了phantomjs无头浏览器，毕竟作为浏览器总是可以正确的解析并渲染网页内容，无论HTML文档的编码声明有多么糟糕！

#cd D:\

#java -jar selenium-server-standalone-3.3.1.jar

#创建一个remoteDriver对象，并打开

library("RSelenium")

remDr <- remoteDriver(browserName = "phantomjs")

remDr$open()

#访问登录的页面

remDr$navigate("http://www.tianqi.com/air/")

mylist<-remDr$getPageSource()[[1]] %>% htmlParse(encoding="utf-8") %>% readHTMLList() %>% `[[`(8) %>% .[2:length(.)]

#关闭remoteDriver对象

remDr$close()

这次终于看到了希望，果然plantomjs浏览器的渲染效果非同一般！

使用str_extract()函数提取城市id、城市名称、城市污染物指数、污染状况。

library("stringr")

pattern<-"(\\d{1,})([\\u4e00-\\u9fa5]{1,})"

mylist<-data.frame(

ID = mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,1] %>% str_extract("\\d{1,}"),

City = mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,1] %>% str_extract("[\\u4e00-\\u9fa5]{1,}"),

AQI = mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,2] %>% str_extract("\\d{1,}"),

Quity= mylist %>% str_extract_all(pattern) %>% do.call(rbind,.) %>% .[,2] %>% str_extract("[\\u4e00-\\u9fa5]{1,}")

)

DT::datatable(mylist)

最后一个函数便是抓取网址链接的高级封装函数，因为在html中，网址的tag一般都比较固定，跳转的网址链接一般在标签的href属性中，图片链接一般在标签下的src属性内，比较好定位。

随便找一个知乎的摄影帖子，高清图多的那种！

url<-"https://www.zhihu.com/question/35017762"

mylink <-getURL(url,httpheader=header,.encoding="utf-8") %>% htmlParse() %>% getHTMLLinks()

[1] "/" "/" "/explore"

[4] "/topic" "/topic/19551388" "/topic/19555444"

[7] "/topic/19559348" "/topic/19569883" "/topic/19626553"

[10] "/people/geng-da-shan-ren" "/people/geng-da-shan-ren" "/question/35017762/answer/240404907"

[13] "/people/he-xiao-pang-zi-30" "/people/he-xiao-pang-zi-30" "/question/35017762/answer/209942092"

getHTMLLinks(doc, externalOnly = TRUE, xpQuery = “//a/@href”,baseURL = docName(doc), relative = FALSE)

通过getHTMLLinks的源码可以看到，该函数过滤的链接的条件仅仅是标签下的href属性内的链接，我们可以通过修改xpQuery内的apath表达式参数来获取图片链接。

mylink <-getURL(url,httpheader=header,.encoding="utf-8") %>% htmlParse() %>% getHTMLLinks(xpQuery = "//img/@data-original")

这样轻而易举的就拿到了该知乎摄影帖子的所有高清图片原地址，效率也高了很多。

Python:

python中如果不用爬虫工具，目前我所知道的表格提取工具就是pandas中的read_html函数了，他相当于一个I/O函数（同其他的read_csv，read_table,read_xlsx等函数一样）。同样适用以上R语言中第一个案例的天气数据，直接利用pd.read_html函数也无法获取表格数据，原因相同，html文档中有数据隐藏设定。

import pandas as pd

url="https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC"

dfs = pd.read_html(url)

这里我们同样使用Python中的selenium+plantomjs工具来请求网页，获取完整的源文档之后，使用pd.read_html函数进行提取。

from selenium import webdriver

driver = webdriver.PhantomJS()

driver.get('https://www.aqistudy.cn/historydata/monthdata.php?city=%E5%8C%97%E4%BA%AC')

dfs = pd.read_html(driver.page_source,header=0)[0]

driver.quit()

OK,简直不能再完美，对于网页表格数据而言，pd.read_html函数是一个及其高效封装，但是前提是你要确定这个网页中的数据确实是table格式，并且网页没有做任何的隐藏措施。

在线课程请点击文末原文链接：