百木园-与人分享,
就是让自己快乐。

Python爬取站长之家网页信息(附详细源码)

一、实验目的

在信息时代高速发展的现在,“互联网+”的使用日趋zhanzhang过互联网学习知识,传递思想,沟通交流,在众多数据和用户的碰

撞中,互联网经济应运而生。学会利用网络收集信息是最基本的要求,接下来,我将以“行业网站”——站长之

家为例,通过Python爬取各个网站的信息(主要为名称、Alexa周排名、反链数等)来更直观、准确地分析其中各个网站在互联网

上的竞争力排名,以此了解用户对某些类型网站的喜好程度。

二、实验项目

通过Python爬取“行业网站”——站长之家中各网站的名称、Alexa周排名、反链数等信息

三、实验操作步骤

(一)观察网页

首先通过浏览器进入“行业网站”——站长之家,查看网页的基本结构,通过改变网页得出为静态网页的结论,以下为网站名称及网址:

行业网站 - 行业网站排名 - 网站排行榜 (chinaz.com)

https://top.chinaz.com/hangye

 

在这里插入图片描述

以上图片中画圈部分为本次爬虫需要爬取信息。

进入网站源代码界面,查看我们所需要爬取内容的相关代码以及网络请求情况。
在这里插入图片描述

右键点击网页出现审查界面如下:
在这里插入图片描述

在此源代码界面,我们能看到我们需要的百度、Alexa周排名、反链数等字样,稍后我们要做的就是将其提取出来。

(二)请求数据

点击网页名字再点击标头,我们就能看到其真实网站,同时发现其请求方法是GET,状态代码Status Code为200通过,说明请求

成功。
在这里插入图片描述

继续点击响应观察,发现网页响应中出现charset=utf-8,说明其编码格式为“utf-8”。因其与requests库默认编码方式不同,需要进

行调整赋值。
在这里插入图片描述

导入第三方数据库

Python学习交流Q群:903971231####
#导入库
import requests   #requests库请求网页
from lxml import etree #进行文件格式解析
import pandas as pd  #pandas库保存索引信息
设置headers与请求链接

```python
#设置请求头
headers = {\"User-Agent\": \"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36\"}

```python
#requests请求链接
rq = requests.get(url,headers=headers).text

 

 

(三)解析数据

使用lxml模块中的etree方法将字符串转化为html标签,再使用xpath方法获取多行信息。

我们观察到,需要的网站信息存储在class=\'listCentent’的ul标签下,该标签在html标签下的body标签下第四个div标签下的第三个

div标签下的第二个div标签下。
在这里插入图片描述

其Xpath绝对路径如下:

/html/body/div[4]/div[3]/div[2]/ul

 

我们有个更简便的方法可以获得其绝对路径:右键点击Copy-Copy full Xpath,即可获得该标签Xpath的绝对路径。
在这里插入图片描述

站长之家的各网站信息都存储在上述ul标签下的li标签下。
在这里插入图片描述

我们可以获取各网站信息存储的li标签的list。

li_list = html.xpath(\"/html/body/div[4]/div[3]/div[2]/ul/li\")

 

我们想获取网站名称、网址、Alexa周排名、反链数等信息,发现其在li标签的下级标签中
在这里插入图片描述

python学习交流Q群:903971231####
#使用lxml模块中的etree方法将字符串转化为html标签
html = etree.HTML(rq)

#用xpath定位标签位置
li_list = html.xpath(\"/html/body/div[4]/div[3]/div[2]/ul/li\")

#获取要爬取内容的详情链接
for li in li_list:
    #爬取网站名称
    sitename = li.xpath(\"./div[2]/h3/a/text()\")[0]
    #爬取网址
    websites = li.xpath(\"./div[2]/h3/span/text()\")[0]
    #爬取Alexa周排名
    Alexa = li.xpath(\"./div[2]/div/p[1]/a/text()\")[0]
    #爬取反链数
    Antichain = li.xpath(\"./div[2]/div/p[4]/a/text()\")[0]

 

(四)储存数据

上述步骤中,我们已经将import pandas as pd输入,随后通过pandas的to_csv将数据存入csv中,将数据导出为csv文档。

#pandas中的模块将数据存入
df = pd.DataFrame({
\"网站名称\" : sitename_oyr,
\"网址\" : websites_oyr,
\"Alexa周排名\" : Alexa_oyr,
\"反链数\" : Antichain_oyr,
})

#储存为csv文件
df.to_csv(\"paiming.csv\" , encoding=\'utf_8_sig\', index=False)

 

(五)循环爬取前15页数据信息

利用url统一资源定位符快速定位网址https://top.chinaz.com/hangye/index_shenghuo_fenlei_0.html,利用代码将0位置替换为{},

随后使用format(a*15)作为其中填充,以此循环15次。
在这里插入图片描述

运行代码:

for a in range(15):
    #爬取网站的网址并且循环爬取前15页的内容
    url = \"https://top.chinaz.com/hangye/index_shenghuo_fenlei_{}.html\".format(a*15)

 

(六)全套代码及运行结果

全部代码:

#导入库
import requests
from lxml import etree
import pandas as pd

#初始列表
sitename_oyr,websites_oyr, Alexa_oyr, Antichain_oyr = [], [], [], []

#设置请求头
headers = {\"User-Agent\": \"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36\"}

for a in range(15):
   
    #爬取网站的网址并且循环爬取前15页的内容
    url = \"https://top.chinaz.com/hangye/index_shenghuo_fenlei_{}.html\".format(a*15)
   
    #requests请求链接
    rq = requests.get(url,headers=headers).text
    
    #使用lxml模块中的etree方法将字符串转化为html标签
    html = etree.HTML(rq)
    
    #用xpath定位标签位置
    li_list = html.xpath(\"/html/body/div[4]/div[3]/div[2]/ul/li\")

    #获取要爬取内容的详情链接
    for li in li_list:
        #爬取网站名称
        sitename = li.xpath(\"./div[2]/h3/a/text()\")[0]
        #爬取网址
        websites = li.xpath(\"./div[2]/h3/span/text()\")[0]
        #爬取Alexa周排名
        Alexa = li.xpath(\"./div[2]/div/p[1]/a/text()\")[0]
        #爬取反链数
        Antichain = li.xpath(\"./div[2]/div/p[4]/a/text()\")[0]

        #输出
        print(sitename)
        print(websites)
        print(Alexa)
        print(Antichain)

        #将字段存入初始化的列表中
        sitename_oyr.append(sitename)
        websites_oyr.append(websites)
        Alexa_oyr.append(Alexa)
        Antichain_oyr.append(Antichain)

#pandas中的模块将数据存入
df = pd.DataFrame({
\"网站名称\" : sitename_oyr,
\"网址\" : websites_oyr,
\"Alexa周排名\" : Alexa_oyr,
\"反链数\" : Antichain_oyr,
})

#储存为csv文件
df.to_csv(\"paiming.csv\" , encoding=\'utf_8_sig\', index=False)

 

编译器获取结果:

获取文档:
在这里插入图片描述

最后

今天的这篇文章到这里就结束了,下一章见。


来源:https://www.cnblogs.com/1234567FENG/p/16408649.html
本站部分图文来源于网络,如有侵权请联系删除。

未经允许不得转载:百木园 » Python爬取站长之家网页信息(附详细源码)

相关推荐

  • 暂无文章