網(wǎng)頁抓取是自動從互聯(lián)網(wǎng)中提取特定數(shù)據(jù)的過程。它有許多用例，例如為機器學習項目獲取數(shù)據(jù)、創(chuàng)建價格比較工具或任何其他需要大量數(shù)據(jù)的創(chuàng)新想法。雖然理論上您可以手動進行數(shù)據(jù)提取，但互聯(lián)網(wǎng)的大量內(nèi)容使這種方法在許多情況下不切實際。因此，知道如何構建網(wǎng)絡爬蟲可以派上用場。這篇文章的目的是教你如何用 Python 創(chuàng)建一個網(wǎng)頁爬蟲。您將學習如何檢查網(wǎng)站以準備抓取、使用 BeautifulSoup 提取特定數(shù)據(jù)、使用 Selenium 等待 JavaScript 渲染，以及將所有內(nèi)容保存在新的 JSON 或 CSV 文件中。
但首先，我應該警告您網(wǎng)絡抓取的合法性。雖然抓取行為是合法的，但您可能提取的數(shù)據(jù)使用可能是非法的。確保你沒有爬?。?/p>
- 受版權保護的內(nèi)容 – 由于它是某人的知識產(chǎn)權，因此受法律保護，您不能只是重復使用它。
- 個人數(shù)據(jù)——如果您收集的信息可用于識別個人身份，則它被視為個人數(shù)據(jù)，對于歐盟公民而言，它受 GDPR 保護。除非您有合法的理由來存儲這些數(shù)據(jù)，否則最好完全跳過它。
一般來說，在抓取之前，您應該始終閱讀網(wǎng)站的條款和條件，以確保您不會違反他們的政策。如果您不確定如何繼續(xù)，請聯(lián)系網(wǎng)站所有者并征求同意。
您的Scraper需要什么？
要開始構建您自己的網(wǎng)絡爬蟲，您首先需要在您的機器上安裝Python。Ubuntu 20.04 和其他版本的 Linux 預裝了 Python 3。
要檢查您的設備上是否已經(jīng)安裝了 Python，請運行以下命令：
python3 -v
如果您安裝了 Python，您應該會收到類似如下輸出：
Python 3.8.2此外，對于我們的網(wǎng)絡爬蟲，我們將使用 Python 包 BeautifulSoup（用于選擇特定數(shù)據(jù)）和 Selenium（用于呈現(xiàn)動態(tài)加載的內(nèi)容）。要安裝它們，只需運行以下命令：
pip3 install beautifulsoup4和
pip3 install selenium最后一步是確保在您的機器上安裝了 Google Chrome和Chrome 驅(qū)動程序。如果我們想使用 Selenium 抓取動態(tài)加載的內(nèi)容，這些將是必要的。
使用火狐瀏覽器或者其他瀏覽器也需要對應的瀏覽器驅(qū)動。
如何檢查頁面
現(xiàn)在你已經(jīng)安裝了所有東西，是時候開始我們的抓取項目了。
您應該根據(jù)需要選擇要抓取的網(wǎng)站。請記住，每個網(wǎng)站的內(nèi)容結構都不同，因此當您開始自己抓取時，您需要調(diào)整在此處學到的內(nèi)容。每個網(wǎng)站都需要對代碼進行細微的更改。
對于本文，我決定從 IMDb 的前 250 部電影列表中抓取前十部電影的信息：https : //www.imdb.com/chart/top/。
首先，我們將獲得標題，然后我們將通過從每部電影的頁面中提取信息來進一步深入研究。一些數(shù)據(jù)將需要 JavaScript 呈現(xiàn)。
要開始了解內(nèi)容的結構，您應該右鍵單擊列表中的第一個標題，然后選擇“檢查元素”。
通過按 CTRL+F 并在 HTML 代碼結構中搜索，您將看到頁面上只有一個<table>標記。這很有用，因為它為我們提供了有關如何訪問數(shù)據(jù)的信息。
一個 HTML 選擇器將為我們提供頁面中的所有標題?table tbody tr td.titleColumn a?。那是因為所有標題都位于具有“?titleColumn?”類的表格單元格內(nèi)的錨點中。
使用這個 CSS 選擇器并獲取每個錨點的?innerText?將為我們提供我們需要的標題。您可以在剛剛打開的新窗口中使用 JavaScript 行在瀏覽器控制臺中模擬：
document.querySelectorAll("table tbody tr td.titleColumn a")[0].innerText你會看到這樣的結果：
現(xiàn)在我們有了這個選擇器，我們可以開始編寫 Python 代碼并提取我們需要的信息。
如何使用 BeautifulSoup 提取靜態(tài)加載的內(nèi)容
我們列表中的電影標題是靜態(tài)內(nèi)容。這是因為如果您查看頁面源代碼（頁面上的 CTRL+U 或右鍵單擊然后選擇查看頁面源代碼），您將看到標題已經(jīng)存在。
靜態(tài)內(nèi)容通常更容易抓??取，因為它不需要 JavaScript 渲染。為了提取列表中的前十個標題，我們將使用 BeautifulSoup 獲取內(nèi)容，然后將其打印在我們的Scraper的輸出中。
import requests
from bs4 import BeautifulSoup
page = requests.get('https://www.imdb.com/chart/top/') # Getting page HTML through request
soup = BeautifulSoup(page.content, 'html.parser') # Parsing content using beautifulsoup
links = soup.select("table tbody tr td.titleColumn a") # Selecting all of the anchors with titles
first10 = links[:10] # Keep only the first 10 anchors
for anchor in first10:
print(anchor.text) # Display the innerText of each anchor
上面的代碼使用我們在第一步中看到的選擇器從頁面中提取電影標題錨點。然后循環(huán)遍歷前十個并顯示每個的innerText。
輸出應如下所示：
如何提取動態(tài)加載的內(nèi)容
隨著技術的進步，網(wǎng)站開始動態(tài)加載其內(nèi)容。這提高了頁面的性能、用戶的體驗，甚至消除了爬蟲的額外障礙。
但是，這使事情變得復雜，因為從簡單請求中檢索到的 HTML 將不包含動態(tài)內(nèi)容。幸運的是，有了Selenium，我們可以在瀏覽器中模擬一個請求，等待動態(tài)內(nèi)容顯示出來。
如何使用 Selenium 進行請求
您需要知道 chromedriver 的位置。以下代碼與第二步中的代碼相同，但這次我們使用 Selenium 發(fā)出請求。我們?nèi)匀粫褚郧耙粯邮褂?BeautifulSoup 解析頁面的內(nèi)容。
from bs4 import BeautifulSoup
from selenium import webdriver
option = webdriver.ChromeOptions()
# I use the following options as my machine is a window subsystem linux.
# I recommend to use the headless option at least, out of the 3
option.add_argument('--headless')
option.add_argument('--no-sandbox')
option.add_argument('--disable-dev-sh-usage')
# Replace YOUR-PATH-TO-CHROMEDRIVER with your chromedriver location
driver = webdriver.Chrome('YOUR-PATH-TO-CHROMEDRIVER', options=option)
driver.get('https://www.imdb.com/chart/top/') # Getting page HTML through request
soup = BeautifulSoup(driver.page_source, 'html.parser') # Parsing content using beautifulsoup. Notice driver.page_source instead of page.content
links = soup.select("table tbody tr td.titleColumn a") # Selecting all of the anchors with titles
first10 = links[:10] # Keep only the first 10 anchors
for anchor in first10:
print(anchor.text) # Display the innerText of each anchor
不要忘記將“YOUR-PATH-TO-CHROMEDRIVER”替換為您提取 chromedriver 的位置。此外，您應該注意到page.content，當我們創(chuàng)建 BeautifulSoup 對象時，我們現(xiàn)在使用的是driver.page_source，它提供頁面的 HTML 內(nèi)容 。
如何使用 Selenium 提取靜態(tài)加載的內(nèi)容
使用上面的代碼，我們現(xiàn)在可以通過調(diào)用每個錨點上的 click 方法來訪問每個電影頁面。
first_link = driver.find_elements_by_css_selector('table tbody tr td.titleColumn a')[0]
first_link.click()
這將模擬點擊第一部電影的鏈接。但是，在這種情況下，我建議您繼續(xù)使用driver.get instead. 這是因為click()進入不同頁面后您將無法再使用該方法，因為新頁面沒有指向其他九部電影的鏈接。
因此，單擊列表中的第一個標題后，您需要返回第一頁，然后單擊第二頁，依此類推。這是對性能和時間的浪費。相反，我們將只使用提取的鏈接并一一訪問它們。
對于“肖申克的救贖”，電影頁面將是https://www.imdb.com/title/tt0111161/。我們將從頁面中提取電影的年份和時長，但這次我們將使用 Selenium 的函數(shù)而不是 BeautifulSoup 作為示例。在實踐中，您可以使用任何一種，因此請選擇您最喜歡的。
要檢索電影的年份和持續(xù)時間，您應該重復我們在電影頁面上執(zhí)行的第一步。
您會注意到您可以在帶有類?ipc-inline-list?（“?.ipc-inline-list?”選擇器）的第一個元素中找到所有信息，并且列表中的所有元素都有role屬性值presentation（?[role=’presentation’]?選擇器）。
from bs4 import BeautifulSoup
from selenium import webdriver
option = webdriver.ChromeOptions()
# I use the following options as my machine is a window subsystem linux.
# I recommend to use the headless option at least, out of the 3
option.add_argument('--headless')
option.add_argument('--no-sandbox')
option.add_argument('--disable-dev-sh-usage')
# Replace YOUR-PATH-TO-CHROMEDRIVER with your chromedriver location
driver = webdriver.Chrome('YOUR-PATH-TO-CHROMEDRIVER', options=option)
page = driver.get('https://www.imdb.com/chart/top/') # Getting page HTML through request
soup = BeautifulSoup(driver.page_source, 'html.parser') # Parsing content using beautifulsoup
totalScrapedInfo = [] # In this list we will save all the information we scrape
links = soup.select("table tbody tr td.titleColumn a") # Selecting all of the anchors with titles
first10 = links[:10] # Keep only the first 10 anchors
for anchor in first10:
driver.get('https://www.imdb.com/' + anchor['href']) # Access the movie’s page
infolist = driver.find_elements_by_css_selector('.ipc-inline-list')[0] # Find the first element with class ‘ipc-inline-list’
informations = infolist.find_elements_by_css_selector("[role='presentation']") # Find all elements with role=’presentation’ from the first element with class ‘ipc-inline-list’
scrapedInfo = {
"title": anchor.text,
"year": informations[0].text,
"duration": informations[2].text,
} # Save all the scraped information in a dictionary
totalScrapedInfo.append(scrapedInfo) # Append the dictionary to the totalScrapedInformation list
print(totalScrapedInfo) # Display the list with all the information we scraped
如何使用 Selenium 提取動態(tài)加載的內(nèi)容
網(wǎng)絡抓取的下一個重要步驟是提取動態(tài)加載的內(nèi)容。您可以在編輯列表部分的每個電影頁面（例如https://www.imdb.com/title/tt0111161/）上找到此類內(nèi)容。
如果您在頁面上使用檢查，您會看到您可以找到該部分作為屬性?data-testid?設置為的元素?firstListCardGroup-editorial?。但是如果你查看頁面源代碼，你不會在任何地方找到這個屬性值。這是因為編輯列表部分是由 IMDB 動態(tài)加載的。
在下面的示例中，我們將抓取每部電影的編輯列表，并將其添加到我們當前的總抓取信息結果中。
為此，我們將導入更多包，以便等待我們的動態(tài)內(nèi)容加載。
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
option = webdriver.ChromeOptions()
# I use the following options as my machine is a window subsystem linux.
# I recommend to use the headless option at least, out of the 3
option.add_argument('--headless')
option.add_argument('--no-sandbox')
option.add_argument('--disable-dev-sh-usage')
# Replace YOUR-PATH-TO-CHROMEDRIVER with your chromedriver location
driver = webdriver.Chrome('YOUR-PATH-TO-CHROMEDRIVER', options=option)
page = driver.get('https://www.imdb.com/chart/top/') # Getting page HTML through request
soup = BeautifulSoup(driver.page_source, 'html.parser') # Parsing content using beautifulsoup
totalScrapedInfo = [] # In this list we will save all the information we scrape
links = soup.select("table tbody tr td.titleColumn a") # Selecting all of the anchors with titles
first10 = links[:10] # Keep only the first 10 anchors
for anchor in first10:
driver.get('https://www.imdb.com/' + anchor['href']) # Access the movie’s page
infolist = driver.find_elements_by_css_selector('.ipc-inline-list')[0] # Find the first element with class ‘ipc-inline-list’
informations = infolist.find_elements_by_css_selector("[role='presentation']") # Find all elements with role=’presentation’ from the first element with class ‘ipc-inline-list’
scrapedInfo = {
"title": anchor.text,
"year": informations[0].text,
"duration": informations[2].text,
} # Save all the scraped information in a dictionary
WebDriverWait(driver, 5).until(EC.visibility_of_element_located((By.CSS_SELECTOR, "[data-testid='firstListCardGroup-editorial']"))) # We are waiting for 5 seconds for our element with the attribute data-testid set as `firstListCardGroup-editorial`
listElements = driver.find_elements_by_css_selector("[data-testid='firstListCardGroup-editorial'] .listName") # Extracting the editorial lists elements
listNames = [] # Creating an empty list and then appending only the elements texts
for el in listElements:
listNames.append(el.text)
scrapedInfo['editorial-list'] = listNames # Adding the editorial list names to our scrapedInfo dictionary
totalScrapedInfo.append(scrapedInfo) # Append the dictionary to the totalScrapedInformation list
print(totalScrapedInfo) # Display the list with all the information we scraped
對于前面的示例，您應該獲得以下輸出：
如何保存抓取的內(nèi)容
現(xiàn)在我們擁有了所需的所有數(shù)據(jù)，我們可以將其保存為 .json 或 .csv 文件，以便于閱讀。
為此，我們將只使用 Python 中的 JSON 和 CVS 包并將我們的內(nèi)容寫入新文件：
import csv
import json
...
file = open('movies.json', mode='w', encoding='utf-8')
file.write(json.dumps(totalScrapedInfo))
writer = csv.writer(open("movies.csv", 'w'))
for movie in totalScrapedInfo:
writer.writerow(movie.values())
抓取技巧和竅門
雖然到目前為止我們的指南已經(jīng)足夠先進，可以處理 JavaScript 渲染場景，但在 Selenium 中還有很多東西需要探索。
在本節(jié)中，我將分享一些可能會派上用場的提示和技巧。
1. 為您的請求計時
如果您在短時間內(nèi)向服務器發(fā)送數(shù)百個請求的垃圾郵件，很可能在某個時候會出現(xiàn)驗證碼，或者您的 IP 甚至可能被阻止。不幸的是，Python 中沒有解決方法可以避免這種情況。
因此，您應該在每個請求之間放置一些超時間隔，以便流量看起來更自然。
import time
import requests
page = requests.get('https://www.imdb.com/chart/top/') # Getting page HTML through request
time.sleep(30) # Wait 30 seconds
page = requests.get('https://www.imdb.com/') # Getting page HTML through request
2. 錯誤處理
由于網(wǎng)站是動態(tài)的并且可以隨時更改結構，如果您經(jīng)常使用相同的網(wǎng)絡抓取工具，錯誤處理可能會派上用場。
try:
WebDriverWait(driver, 5).until(EC.presence_of_element_located((By.CSS_SELECTOR, "your selector")))
break
except TimeoutException:
# If the loading took too long, print message and try again
print("Loading took too much time!")當您等待一個元素、提取它時，甚至當您只是發(fā)出請求時，try and error 語法會很有用。
3. 截屏
如果您需要隨時獲取正在抓取的網(wǎng)頁的屏幕截圖，可以使用：
driver.save_screenshot(‘screenshot-file-name.png’)這有助于在您處理動態(tài)加載的內(nèi)容時進行調(diào)試。
4. 閱讀文檔
最后但并非最不重要的一點是，不要忘記閱讀Selenium的文檔。該庫包含有關如何執(zhí)行您可以在瀏覽器中執(zhí)行的大多數(shù)操作的信息。
使用 Selenium，您可以填寫表單、按下按鈕、回答彈出消息以及做許多其他很酷的事情。
如果您遇到新問題，他們的文檔可能是您最好的朋友。
最后的想法
本文的目的是為您提供使用 Python 和 Selenium 和 BeautifulSoup 進行網(wǎng)絡抓取的高級介紹。雖然這兩種技術仍有許多功能需要探索，但您現(xiàn)在已經(jīng)有了如何開始抓取的堅實基礎。
有時網(wǎng)頁抓取可能非常困難，因為網(wǎng)站開始在開發(fā)人員的道路上設置越來越多的障礙。其中一些障礙可能是驗證碼、IP 塊或動態(tài)內(nèi)容。僅使用 Python 和 Selenium 來克服它們可能很困難，甚至是不可能的。
所以，我也給你一個替代方案。嘗試使用Web 抓取 API來為您解決所有這些挑戰(zhàn)。它還使用輪換代理，因此您不必擔心在請求之間添加超時。請記住始終檢查您想要的數(shù)據(jù)是否可以合法提取和使用。
