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

 

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。

右键点击网页出现审查界面如下:

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。

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。

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。

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。

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。

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

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。

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：

最后

今天的这篇文章到这里就结束了，下一章见。