Python爬蟲獲取國外大橋排行榜數據清單

Posted on by

前言：

本例開始學習 PyQuery 解析框架，該解析對從前端轉 Python 的朋友非常友好，因為它模擬的是 JQuery 操作。

正式開始前，先安裝 pyquery 到本地開發環境中。命令如下：pip install pyquery ，我使用的版本為 1.4.3。

基本使用如下所示，看懂也就掌握瞭 5 成瞭，就這麼簡單。

from pyquery import PyQuery as pq
s = '<html><title>橡皮擦的PyQuery小課堂</title></html>'
doc = pq(s)
print(doc('title'))

輸出如下內容：

<title>橡皮擦的PyQuery小課堂</title>

也可以直接將要解析的網址 URL 傳遞給 pyquery 對象，代碼如下所示：

from pyquery import PyQuery as pq
url = "https://www.bilibili.com/"
doc = pq(url=url,encoding="utf-8")
print(doc('title')) # <title>嗶哩嗶哩 (゜-゜)つロ 幹杯~-bilibili</title>

相同的思路，還可以通過文件初始化 pyquery 對象，隻需要修改參數為 filename 即可。

基礎鋪墊過後，就可以進入到實操環節，下面是本次要抓取的目標案例分析。

目標站點分析

本次要采集的為 ：List of Highest International Bridges（最高國際橋梁名單），

頁面呈現的數據如下所示：

在翻閱過程中發現多數都是中國設計的，果然我們基建世界第一。

翻頁規則如下所示：

http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_1
http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_2
# 實測翻到第 13 頁數據就空瞭，大概1200座橋梁
http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_13

由於目標數據以表格形式存在，故直接按照表頭提取數據即可。 Rank，Name，Height (meters / feet)，Main Span Length，Completed，Location，Country

編碼時間

正式編碼前，先拿第一頁進行練手：

from pyquery import PyQuery as pq
url = "http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_1"
doc = pq(url=url, encoding='utf-8')
print(doc('title'))
def remove(str):
    return str.replace("
", "").replace("\n", "")
# 獲取所有數據所在的行，下面使用的是 css 選擇器，稱作 jquery 選擇器也沒啥問題
items = doc.find('table.wikitable.sortable tr').items()
for item in items:
    td_list = item.find('td')
    rank = td_list.eq(1).find("span.sorttext").text()
    name = td_list.eq(2).find("a").text()
    height = remove(td_list.eq(3).text())
    length = remove(td_list.eq(4).text())
    completed = td_list.eq(5).text()
    location = td_list.eq(6).text()
    country = td_list.eq(7).text()
    print(rank, name, height, length, completed, location, country)

代碼整體寫下來，發現依舊是對於選擇器的依賴比較大，也就是需要熟練的操作選擇器，選中目標元素，方便獲取最終的數據。

將上述代碼擴大到全部數據，修改成迭代采集：

from pyquery import PyQuery as pq
import time
def remove(str):
    return str.replace("
", "").replace("\n", "").replace(",", "，")
def get_data(page):
    url = "http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_{}".format(
        page)
    print(url)
    doc = pq(url=url, encoding='utf-8')
    print(doc('title'))
    # 獲取所有數據所在的行，下面使用的是 css 選擇器，稱作 jquery 選擇器也沒啥問題
    items = doc.find('table.wikitable.sortable tr').items()
    for item in items:
        td_list = item.find('td')
        rank = td_list.eq(1).find("span.sorttext").text()
        name = remove(td_list.eq(2).find("a").text())
        height = remove(td_list.eq(3).text())
        length = remove(td_list.eq(4).text())
        completed = remove(td_list.eq(5).text())
        location = remove(td_list.eq(6).text())
        country = remove(td_list.eq(7).text())
        data_tuple = (rank, name, height, length, completed, location, country)
        save(data_tuple)
def save(data_tuple):
    try:
        my_str = ",".join(data_tuple) + "\n"
        # print(my_str)
        with open(f"./data.csv", "a+", encoding="utf-8") as f:
            f.write(my_str)
            print("寫入完畢")
    except Exception as e:
        pass
if __name__ == '__main__':
    for page in range(1, 14):
        get_data(page)
        time.sleep(3)

其中發現存在英文的逗號，統一進行修改，即 remove(str) 函數的應用。

到此這篇關於Python爬蟲獲取國外大橋排行榜數據清單的文章就介紹到這瞭,更多相關Python數據清單內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：