爬虫系列之爬取丁香园用户主页(上)
- 2019 年 10 月 5 日
- 筆記
目录
0.写在前面
1.分析页面
2.获取页面源码
3.解析数据
4.数据存储及导出
4.1 数据存储
4.2 数据导出
5.pandas实现导出
6.面向对象封装
0.写在前面
目标页面
http://i.dxy.cn/profile/yilizhongzi
目的
爬取丁香园用户主页的信息，这些信息如下图字段:
爬取字段图
也就是从用户主页提取这些数据，那么我们开始实战！
1.分析页面
分析页面图
我们需要爬取的信息就是上述图中侧边栏信息，它对应的源码如图中红色方框所示！
思路
- 第一步：获取页面源码
- 第二步：通过xpath解析对应数据，并存储为字典格式
- 第三步：存储至MongoDB数据库，并利用可视化工具导出csv文件
- 第四步：存储至excel中(或csv文件)中
2.获取页面源码
def get_html(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36', } req = requests.get(self.url, headers=headers).text # print(req) return req
3.解析数据
- xpath解析方法
以下面实际例子为例：
谷歌浏览器右键检查，页面分析源码，找到如下图的div，然后会发现class="follows-fans clearfix"里面包含这三个关注、粉丝、丁当相关信息。
那么通过xpath解析即可获取到相应的数据。具体的xpath语法，请参看网上资料，此处不做详细解释。只对相应语句添加相应注释。认真看注释！！！
元素提取图
''' 满足class值的div下面的所有p标签的text()属性，因为上述第一个p标签下面还有a标签，所有这里直接取的就是关注/粉丝/丁当这些字符串，每个对应的值28/90/1128,通过进一步定位到a标签进行解析。参看第二行代码。 ''' force_fan_dd_key = selector.xpath('//div[@class="follows-fans clearfix"]//p/text()') force_fan_dd_value = selector.xpath('//div[@class="follows-fans clearfix"]//p/a/text()')
- 下面对获取用户信息进行封装
import requests from lxml import etree def get_UserInfo(self): raw_html = self.get_html() selector = etree.HTML(raw_html) key_list = [] value_list = [] force_fan_dd_key = selector.xpath('//div[@class="follows-fans clearfix"]//p/text()') force_fan_dd_value = selector.xpath('//div[@class="follows-fans clearfix"]//p/a/text()') for each in force_fan_dd_key: key_list.append(each) for each in force_fan_dd_value: value_list.append(each) UserInfo_dict = dict(zip(key_list, value_list)) # 两个list合并为dict # print(UserInfo_dict) # {'关注': '28', '粉丝': '90', '丁当': '1128'} user_home = selector.xpath('//p[@class="details-wrap__items"]/text()')[0] user_home = user_home.replace(',', '') # 去掉逗号,否则使用MongoDB可视化工具导出csv文件报错！ # print(user_home) UserInfo_dict['地址'] = user_home user_profile = selector.xpath('//p[@class="details-wrap__items details-wrap__last-item"]/text()')[0] UserInfo_dict['座右铭'] = user_profile # print(UserInfo_dict) # 帖子被浏览 article_browser = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-topic fl"]/p/text()') UserInfo_dict[article_browser[0]] = article_browser[1] # 帖子被投票 article_vote = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-vote fl"]/p/text()') UserInfo_dict[article_vote[0]] = article_vote[1] # 帖子被收藏 article_collect = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-fav fl"]/p/text()') UserInfo_dict[article_collect[0]] = article_collect[1] # 在线时长共 onlie_time = selector.xpath('//li[@class="statistics-wrap__items statistics-wrap__item-time fl"]/p/text()') UserInfo_dict[onlie_time[0]] = onlie_time[1] # print(UserInfo_dict) return UserInfo_dict
4.数据存储及导出
4.1 数据存储
import pymongo MONGO_URI = 'localhost' MONGO_DB = 'test' # 定义数据库 MONGO_COLLECTION = 'dxy' # 定义数据库表 def __init__(self, user_id, mongo_uri, mongo_db): self.url = base_url + user_id # 这行代码与数据存储无关 self.client = pymongo.MongoClient(mongo_uri) self.db = self.client[mongo_db] def Save_MongoDB(self, userinfo): self.db[MONGO_COLLECTION].insert(userinfo) self.client.close()
MongoDB可视化工具：MongoDB Compass Community
MongoDB可视化工具图
安装好后，每次打开会提示连接数据库，这里就是不变动任何信息，直接点CONNECT即可！
注意一个区别：Collection就是数据库的表！如下图就是test数据库中的dxy表。
MongoDB存储结果图
4.2 数据导出
选择左上角的Collection->Export Collection，然后弹出如下图的框，选择导出格式及存储文件路径，保存即可！
导出结果
MongoDB导出结果图
5.pandas实现导出
import pandas as pd def Sava_Excel(self, userinfo): key_list = [] value_list = [] for key, value in userinfo.items(): key_list.append(key) value_list.append(value) key_list.insert(0, '用户名') # 增加用户名列 value_list.insert(0, user) # 增加用户名 # 利用pandas进行导出 data = pd.DataFrame(data=[value_list], columns=key_list) print(data) ''' 表示以用户名命名csv文件，并去掉DataFame序列化后的index列(这就是index=False的意思)，并以utf-8编码， 防止中文乱码。 注意：一定要先用pandas的DataFrame序列化后，方可使用to_csv方法导出csv文件！ ''' data.to_csv('./' + user + '.csv', encoding='utf-8', index=False)
6.面向对象封装
最后，采用面向对象思想对上述代码进行封装。想查看代码的可以点击原文~~嘿嘿
