大数据中如何爬取一个网站的信息

大数据中如何爬取一个网站的信息，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

假如我们要爬这个网站：http://stuu.scnu.edu.cn/articles 的摘要和图片。

首先引入库：

from bs4 import BeautifulSoup
import requests

这两个库是爬虫工具，文章底部有安装方法。

然后定义url为我们需要爬虫的网址，并且用requests.get()得到这个网址的内容存放在wb_data中。

url = "http://stuu.scnu.edu.cn/articles"
wb_data = requests.get(url)

对这些内容进行解析，这里要用到lxml，也是一种库。

soup = BeautifulSoup(wb_data.text,'lxml')

我们先随便找一栏：

然后对网页使用开发者工具提取我们想要的信息。还记得左上角这个鼠标+框框的图案（图中变蓝了）吗？点击它，然后点击标题。

右边会自动跳转到它的代码：

选择它的上一级，也就是上一个小三角形。如图：

右键-Copy-Copy selector,会得到下面这个：

#main-wrap-left > div.bloglist-container.clr > article:nth-child(5) > div.home-blog-entry-text.clr

把'#'号到'>'号的部分去掉，再把:nth-child(5)去掉，这个指的是第五个标签，如果不去掉的话你只会得到第五个标签的内容。

得到：div.bloglist-container.clr > article > div.home-blog-entry-text.clr

如果你对图片、摘要，分别做同样的事情，你会得到

图片：div.bloglist-container.clr > article> a > div > img

摘要：div.bloglist-container.clr > article > div.home-blog-entry-text.clr > p

然后定义一个 ：变量=soup.select("你刚刚得到的内容")

titles = soup.select("div.bloglist-container.clr > article > div.home-blog-entry-text.clr")
texts = soup.select("div.bloglist-container.clr > article > div.home-blog-entry-text.clr > p")
imgs = soup.select("div.bloglist-container.clr > article > a > div > img")

这里是把这些内容提取出来

再把他们放到字典里（title,text,img都是新变量）:

for title,text,img in zip(titles,texts,imgs):
    data = {
        "标题":title.get_text(),
        "摘要":text.get_text(),
        "图片":img.get('src')
    }

然后print(data)，你会得到下面的信息，这样我们就提取完毕了。(点击查看大图)

完整代码：

from bs4 import BeautifulSoup
import requests
url = "http://stuu.scnu.edu.cn/articles"
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text,'lxml')

titles = soup.select("div.bloglist-container.clr > article > div.home-blog-entry-text.clr")
texts = soup.select("div.bloglist-container.clr > article > div.home-blog-entry-text.clr > p")
imgs = soup.select("div.bloglist-container.clr > article > a > div > img")

for title,text,img in zip(titles,texts,imgs):
    data = {
        "标题":title.get_text(),
        "摘要":text.get_text(),
        "图片":img.get('src')
    }
    print(data)

如果你不止想得到仅仅这十个信息，那么你可以构造函数。

我们注意到第二页的域名是：http://stuu.scnu.edu.cn/articles?paged=2

这是个重点，我们可以把2换成别的数字：

url = "http://stuu.scnu.edu.cn/articles?paged="

然后再把刚刚的内容变成一个函数：

def get_page(url):
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text,'lxml')
    titles = soup.select("div.bloglist-container.clr > article > div.home-blog-entry-text.clr")
    texts = soup.select("div.bloglist-container.clr > article > div.home-blog-entry-text.clr > p")
    imgs = soup.select("div.bloglist-container.clr > article > a > div > img")

    for title,text,img in zip(titles,texts,imgs):
       data = {
          "标题":title.get_text(),
          "摘要":text.get_text(),
          "图片":img.get('src')
       }
       print(data)

再添加一个能够调整所需要的网页数目，并调用get_page的函数：

def getmorepage(start,end):
    for i in range (start,end):
        get_page(url+str(i))

最后你想要多少页的数据？

getmorepage(1,10)

最终结果(点击查看大图)：

你想要多少有多少，快速高效。

当然我这只是抛砖引玉（还有很多用法哦）

库的安装方法：

首先我们需要三个库，一个是Beautifulsoup，一个是requests，还有一个是lxml。

如果你用的是PyCharm,可以从File->Default Settings->project interpreter内添加这两个库，如图：

点击右边那个+号，输入你想要安装的库即可。

Linux下安装：

1.有PyCharm的直接按照上文操作即可

2.没有的话请这样操作：

sudo apt-get install Python-PackageName

packageName 就是你所需要安装的库的名称。

windows下安装：

1.首先确定你安装了pip：

进入命令行（运行-CMD）输入 pip --version

如果没有报错则证明你已经安装，可以继续下面的步骤。

2.如果你已经有了PyCharm，可以像上面PyCharm部分所说的那样操作

如果没有的话你有两种选择，一是压缩包，二是pip中打命令，这里说第二种

在命令行里输入：

pip3 install packageName

packageName 就是你所需要安装的库的名称

如果遇到权限问题，请输入：

sudo pip install packageName

安装成功后会提示：

Successfully installed PackageName

如果你是python 2.  那么把pip3换成pip即可。

关于大数据中如何爬取一个网站的信息问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注亿速云行业资讯频道了解更多相关知识。