网页数据抓取怎么写( 元素名后加个-typegt的路径进行数据编号控制)

　　网页数据抓取怎么写(

元素名后加个-typegt的路径进行数据编号控制)

　　

　　这是简单数据分析系列的第十篇文章。

　　原文首发于博客园：简单数据分析10.

　　友情提示：本文文章内容丰富，信息量大。希望你在学习的时候多读几遍。

　　我们扫朋友圈和微博的时候，总是强调“扫一扫”这个词，因为在看动态的时候，当内容被拉到屏幕末尾的时候，APP会自动加载下一页的数据。从经验来看，数据会不断加载，永远不会结束。

　　

　　今天我们要讲的是如何使用Web Scraper抓取滚动到最后的网页。

　　我们今天的动手实践网站是知乎的数据分析模块的精髓。该网站是：

　　/topic/19559424/top-answers

　　

　　这次要爬取的内容是精华帖的标题、回复者和批准数。以下是今天的教程。

　　1.制作站点地图

　　一开始，我们需要创建一个容器，其中收录要捕获的三种类型的数据。为了实现滚动到最后加载数据的功能，我们选择容器的Type为Element scroll down，即滚动到页面底部加载数据。 .

　　

　　在本例中，所选元素名称为 div.List-item。

　　

　　为了回顾上一节通过数据个数控制item个数的方法，我们在元素名中添加nth-of-type(-n+100)，只抓取第一个暂时100条数据。

　　

　　然后我们保存容器节点，选择该节点下要捕获的三种数据类型。

　　首先是标题，我们命名为title，被选元素命名为[itemprop='知乎:question'] a:

　　

　　然后是响应者的名字和批准的数量一样，被选中的元素名称是#Popover10-toggle a和button.VoteButton--up：

　　

　　

　　2.爬取数据，发现问题

　　元素都选好了，我们沿着Sitemap 知乎_top_answers -> Scrape -> Start craping抓取数据的路径，等了十几秒结果出来后，内容让我们傻眼了：

　　

　　数据呢？我想捕获什么数据？怎么全部都变成null了？

　　在计算机领域，null一般表示空值，即什么都没有。将其放入 Web Scraper 意味着没有捕获到任何数据。

　　

　　我们可以回忆一下，网页上确实有数据。在我们整个操作过程中，唯一的变量就是选择元素的操作。所以一定是我们在选择元素的时候出错了，导致内容匹配出现问题，无法正常抓取数据。要解决这个问题，就得看网页的构成。

　　3.分析问题

　　要查看网页的构成，需要用到浏览器的另一个功能，就是选择视图元素。

　　1.我们点击控制面板左上角的箭头，此时箭头的颜色会变成蓝色。

　　2. 然后我们将鼠标移到标题上，标题会被一个蓝色的半透明蒙版覆盖。

　　3.我们再点一下标题，会发现会跳转到Elements子面板，内容是一些不太懂的彩色代码

　　

　　不要因为这样做而感到沮丧。这些 HTML 代码不涉及任何逻辑。它们是网页中的骨架，提供一些排版功能。如果平时用markdown写的话，可以把HTML理解成功能更复杂的markdown。

　　结合HTML代码，我们来看看[itemprop='知乎:question']一个匹配规则。

　　

　　首先，这是一个树状结构：

　　最后一句从视觉上分析。它实际上是一个嵌套结构。我提取了关键内容。内容结构是否更清晰？

　　

如何快速成为数据分析师？

我们再分析一个抓取标题为 null 的标题 HTML 代码。

　　

　　我们可以清楚地观察到，在这个标题的代码中，缺少属性为itemprop='知乎:question'的名为div的标签！结果，当我们的匹配规则匹配时，找不到对应的标签，Web Scraper就会放弃匹配，认为找不到对应的内容，所以就变成null了。

　　找到原因后，我们就能解决问题。

　　4.解决问题

　　我们发现在选择标题时，无论标题的嵌套关系如何变化，总会有一个标签保持不变，即包裹在最外层的h2标签，属性名class='ContentItem -标题'。如果可以直接选择h2标签，是不是就不能完美匹配标题内容了？

　　逻辑上理清关系后，我们如何使用Web Scraper来操作呢？这时候我们可以使用上一篇文章介绍的内容，使用键盘P键选择元素的父节点：

　　

　　在今天的课程中，我们可以点击两次P键来匹配标题的父标签h2（或h2.ContentItem-title）：

　　

　　等等，因为响应者的名字也出现null，我们分析HTML结构，选择名字的父标签span.AuthorInfo-name。具体的分析操作和上面类似，你可以试试。

　　

　　我的三个子内容选择器如下，可以作为参考：

　　

　　最后我们点击Scrape抓取数据，查看结果，没有null，完美！

　　

　　5.吐槽时间

　　爬取知乎的数据时，我们会发现滚动加载数据完成的很快，但是匹配元素需要很多时间。

　　这个间接的解释，知乎这个网站从代码的角度分析，写的还是比较差的。

　　如果你爬取更多网站，你会发现大部分网页结构更“随心所欲”。因此，在正式抓取数据之前，往往需要进行小范围的尝试，比如先抓取20个项目，看看数据是否有问题。如果没有问题，再增加*敏*感*词*正式爬取，可以在一定程度上减少返工时间。

　　6.下一期预览

　　本期内容较多。你可以多读几遍并消化它。下一期我们会讲一些简单的内容，讲讲如何抓取table的内容。