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。
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
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。
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
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]
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)
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)
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：
今天的这篇文章到这里就结束了，下一章见。
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：Python爬取站长之家网页信息（附详细源码） - Python技术站
微信扫一扫 
支付宝扫一扫 