当前位置: article > 正文

Python数据分析：爬虫从网页爬取数据需要几步？_python爬取数据的基本流程依次是

作者：我家小花儿 | 2024-04-14 14:40:14

踩

python爬取数据的基本流程依次是

对于数据分析师来说，数据获取通常有两种方式，一种是直接从系统本地获取数据，另一种是爬取网页上的数据，爬虫从网页爬取数据需要几步？总结下来，Python爬取网页数据需要发起请求、获取响应内容、解析数据、保存数据共计4步。

本文使用Python爬取去哪儿网景点评论数据共计100条数据，数据爬取后使用Tableau Public软件进行可视化分析，从数据获取，到数据清洗，最后数据可视化进行全流程数据分析，下面一起来学习。

示例工具：anconda3.7

本文讲解内容：数据获取、数据可视化

适用范围：网页数据获取及评论分析

网页数据爬取

Python爬取网页数据需要发起请求、获取响应内容、解析数据、保存数据共计4步，懂的数据爬取的原理后，进行数据爬取。

1、发起请求

以去哪儿旅行网站为例，爬取网页数据，首先发送请求。


import requests
u='https://travel.qunar.com/p-cs300100-xian-jingdian'#爬取网址
response=requests.get(u)
print('状态码:{}'.format(response.status_code))
if response.status_code != 200:
   pass
else:
   print("服务器连接正常")

这里返回状态码为200，说明服务器连接正常，可以进行数据爬取。

2、获取响应内容

服务器连接正常后，直接打印返回内容，这里返回整个网页html。

print(response.text)

3、解析数据

网页结构由复杂的html语言构成，这里借助BeautifulSoup库进行解析。


from bs4 import BeautifulSoup
 
 
ri = requests.get(url=u)
soupi=BeautifulSoup(ri.text,'lxml')#解析网址
ul=soupi.find('ul',class_='list_item clrfix')
lis = ul.find_all('li')
lis

对于特定的标签进行定位，输出text。


print(soupi.h1.text)#标签定位，输出text
lis=ul.find_all('li')
print(lis[0].text)

建立一个字典，解析目标标签内容。


li1=lis[0]
dic={}
dic['景点名称']=li1.find('span',class_="cn_tit").text
dic['攻略提到数量']=li1.find('div',class_="strategy_sum").text
dic['评论数量']=li1.find('div',class_="comment_sum").text
dic['lng']=li['data-lng']
dic['lat']=li['data-lat']
dic

使用for循环解析标签内容。


import requests
from bs4 import BeautifulSoup
u1='https://travel.qunar.com/p-cs300100-xian-jingdian'
ri=requests.get(url= u1)
 
soupi=BeautifulSoup(ri.text,'lxml')#解析网址
ul=soupi.find('ul',class_='list_item clrfix')
lis=ul.find_all('li')
for li in lis:
    dic={}
    dic['景点名称']=li.find('span',class_="cn_tit").text
    dic['攻略提到数量']=li.find('div',class_="strategy_sum").text
    dic['评论数量']=li.find('div',class_="comment_sum").text
    dic['lng']=li['data-lng']
    dic['lat']=li['data-lat']
print(dic)

根据翻页规律设置翻页数，这里设置一个列表，用来循环爬取前十页数据。


#根据翻页规律，设置翻页数
urllst=[]
for i in range(11):
    urllst.append('https://travel.qunar.com/p-cs300100-xian-jingdian'+str('-1-')+str(i))
    urllst=urllst[2:11]
    urllst.append('https://travel.qunar.com/p-cs300100-xian-jingdian')
urllst

4、保存数据

新建一个空的数据框，用于保存数据。


import pandas as pd
dic = pd.DataFrame(columns=["景点名称", "攻略提到数量", "评论数量", "lng", "lat"])
dic

在空的数据框中保存第一条数据，并且使用for循环，依次爬取其余页面的数据。


n=0
dic.loc[n, '景点名称'] = li.find('span', class_="cn_tit").text
dic.loc[n, '攻略提到数量'] = li.find('div', class_="strategy_sum").text
dic.loc[n, '评论数量'] = li.find('div', class_="comment_sum").text
dic.loc[n, 'lng'] = li['data-lng']
dic.loc[n, 'lat'] = li['data-lat']
dic