Python爬取网页信息

Python爬取网页信息的步骤

以爬取英文名字网站（https://nameberry.com/）中每个名字的评论内容，包括英文名，用户名，评论的时间和评论的内容为例。

1、确认网址

在浏览器中输入初始网址，逐层查找链接，直到找到需要获取的内容。

在打开的界面中，点击鼠标右键，在弹出的对话框中，选择“检查”，则在界面会显示该网页的源代码，在具体内容处点击查找，可以定位到需要查找的内容的源码。

注意：代码显示的方式与浏览器有关，有些浏览器不支持显示源代码功能（360浏览器，谷歌浏览器，火狐浏览器等是支持显示源代码功能）

步骤图：

1)首页，获取A~Z的页面链接

2)名字链接页，获取每个字母中的名字链接（存在翻页情况）

3)名字内容页，获取每个名字的评论信息

2、编写测试代码

1)获取A~Z链接，在爬取网页信息时，为了减少网页的响应时间，可以根据已知的信息，自动生成对应的链接，这里采取自动生成A~Z之间的连接，以pandas的二维数组形式存储

 def get_url1():
     urls=[]
     # A,'B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z'
     a=['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z']
　　　　#自动生成A~Z的链接
     for i in a:
         urls.append("https://nameberry.com/search/baby_names_starting_with/%s" %i)
     dp=pd.DataFrame(urls)
     dp.to_csv("A~Z_Link1.csv",mode="a",encoding='utf_8_sig')
　　　　#循环用于在每个字母链接下，调用爬取名字链接的页面的函数，即函数嵌套
     for j in urls:
         get_pages_Html(j)
     return urls

2)获取名字链接，根据网页源码分析出包含名字链接的标签，编写代码，名字链接用直接存储的方式存储，方便读取名字链接进行对名字的评论内容的获取

 #获取页数
 def get_pages_Html(url1):
     req = requests.get(url1)
     soup=BeautifulSoup(req.text)
 #异常处理，为解决页面不存在多页的问题，使用re正则表达式获取页面数
     try:
         lastpage = soup.find(class_="last").find("a")['href']
         str1='{}'.format(lastpage)
         b=re.findall('\\d+', str1 )
         for page in b:
             num=page
     except:
         num=1
     get_pages(num,url1)
     return num

 def get_pages(n,url):
     pages=[]
     for k in range(1,int(n)+1):
         pages.append("{}?page={}".format(url,k))
     dp=pd.DataFrame(pages)
     dp.to_csv("NUM_pages_1.csv",mode="a",encoding='utf_8_sig')
         #函数调用
     for l in pages:
         parse_HTML2(l)
     return pages    

 # 名字的链接，根据网页源码的标签，确定名字链接的位置
 def parse_HTML2(url2):
     try:
         req = requests.get(url2)
         req.encoding = req.apparent_encoding
         soup = BeautifulSoup(req.text)
     except:
         dp=pd.DataFrame(url2)
         dp.to_csv("Error_pages_1.csv",mode="a",encoding='utf_8_sig')
     name_data_l=[]
     error=[]
     li_list = soup.find_all('li',class_="Listing-name pt-15 pb-15 bdb-gray-light w-100pct flex border-highlight")
     try:
         for li in li_list:
             nameList=li.find('a',class_='flex-1')['href']
             name_data_l.append('https://nameberry.com/'+nameList)
             time.sleep(1)
         cun(name_data_l,'Name_List_1')
     except:
         dp=pd.DataFrame(name_data_l)
         dp.to_csv("Error_Name_List_1.csv",mode="a",encoding='utf_8_sig')
         # cun(url2,'Error_link_Q')
     # dp=pd.DataFrame(name_data_l)
     # dp.to_csv("Name_List.csv",mode="a",encoding='utf_8_sig')
     # for i in name_data_l:
     #     parse_HTML3(i)
     return name_data_l
     

3)获取名字评论的内容，采用字典形式写入文件

 # 名字里的内容
 def parse_HTML3(url3):
     count=0
     req = requests.get(url3)
     req.encoding = req.apparent_encoding
     soup = BeautifulSoup(req.text)
     error=[]
     try:
         Name=soup.find('h1',class_='first-header').find("a").get_text().replace(",","").replace("\n","")
     except:
         error.append(url3)
         cun(error,"Error_Link_Comment")
     li_list = soup.find_all('div',class_="comment")
     for li in li_list:
         Title=li.find("h4").get_text().replace(",","").replace("\n","")
         Time=li.find("p",class_='meta').get_text().replace(",","").replace("\n","")
         Comments=li.find("div",class_='comment-text').get_text().replace(",","").replace("\n","")
         dic2={
             "Name":Name,
             "Title":Title,
             "Time":Time,
             "Comments":Comments
         }
         time.sleep(1)
         count=count+1
         save_to_csv(dic2,"Name_data_comment")
         print(count)
     return 1

3、测试代码

1)代码编写完成后，具体的函数调用逻辑，获取链接时，为直接的函数嵌套，获取内容时，为从文件中读取出名字链接，在获取名字的评论内容。避免因为逐层访问，造成访问网页超时，出现异常。

如图：

2)测试结果

 4、小结

在爬取网页内容时，要先分析网页源码，再进行编码和调试，遵从爬虫协议（严重者会被封号），在爬取的数据量非常大时，可以设置顺序部分请求（一部分的进行爬取网页内容）。

总之，爬虫有风险，测试需谨慎！！！