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

 1 def get_url1():
 2     urls=[]
 3     # 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'
 4     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
 5     for i in a:
 6         urls.append("https://nameberry.com/search/baby_names_starting_with/%s" %i)
 7     dp=pd.DataFrame(urls)
 8     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
 9     for j in urls:
10         get_pages_Html(j)
11     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

 1 #获取页数
 2 def get_pages_Html(url1):
 3     req = requests.get(url1)
 4     soup=BeautifulSoup(req.text)
 5 #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
 6     try:    
 7         lastpage = soup.find(class_="last").find("a")['href']
 8         str1='{}'.format(lastpage)
 9         b=re.findall('\\d+', str1 )
10         for page in b:
11             num=page
12     except:
13         num=1
14     get_pages(num,url1)
15     return num
16 
17 def get_pages(n,url):
18     pages=[]
19     for k in range(1,int(n)+1):
20         pages.append("{}?page={}".format(url,k))
21     dp=pd.DataFrame(pages)
22     dp.to_csv("NUM_pages_1.csv",mode="a",encoding='utf_8_sig')
23         #函数调用
24     for l in pages:
25         parse_HTML2(l)
26     return pages    
27 
28 
29 # 名字的链接，根据网页源码的标签，确定名字链接的位置
30 def parse_HTML2(url2):
31     try:
32         req = requests.get(url2)
33         req.encoding = req.apparent_encoding
34         soup = BeautifulSoup(req.text)
35     except:
36         dp=pd.DataFrame(url2)
37         dp.to_csv("Error_pages_1.csv",mode="a",encoding='utf_8_sig')
38     name_data_l=[]
39     error=[]
40     li_list = soup.find_all('li',class_="Listing-name pt-15 pb-15 bdb-gray-light w-100pct flex border-highlight") 
41     try:
42         for li in li_list:
43             nameList=li.find('a',class_='flex-1')['href']
44             name_data_l.append('https://nameberry.com/'+nameList)
45             time.sleep(1)
46         cun(name_data_l,'Name_List_1')
47     except:
48         dp=pd.DataFrame(name_data_l)
49         dp.to_csv("Error_Name_List_1.csv",mode="a",encoding='utf_8_sig')
50         # cun(url2,'Error_link_Q')
51     # dp=pd.DataFrame(name_data_l)
52     # dp.to_csv("Name_List.csv",mode="a",encoding='utf_8_sig')
53     # for i in name_data_l:
54     #     parse_HTML3(i)
55     return name_data_l
56

3)获取名字评论的内容，采用字典形式写入文件

 1 # 名字里的内容
 2 def parse_HTML3(url3):
 3     count=0
 4     req = requests.get(url3)
 5     req.encoding = req.apparent_encoding
 6     soup = BeautifulSoup(req.text)
 7     error=[]
 8     try:
 9         Name=soup.find('h1',class_='first-header').find("a").get_text().replace(",","").replace("\n","")
10     except:
11         error.append(url3)
12         cun(error,"Error_Link_Comment")
13     li_list = soup.find_all('div',class_="comment")
14     for li in li_list:    
15         Title=li.find("h4").get_text().replace(",","").replace("\n","")
16         Time=li.find("p",class_='meta').get_text().replace(",","").replace("\n","")
17         Comments=li.find("div",class_='comment-text').get_text().replace(",","").replace("\n","")
18         dic2={
19             "Name":Name,
20             "Title":Title,
21             "Time":Time,
22             "Comments":Comments
23         }
24         time.sleep(1)
25         count=count+1
26         save_to_csv(dic2,"Name_data_comment")
27         print(count)
28     return 1