网页数据抓取怎么写( 这是简易数据分析系列的第13篇文章教程的全盘总结)

　　网页数据抓取怎么写(

这是简易数据分析系列的第13篇文章教程的全盘总结)

　　这是简易数据分析系列文章的第 13 篇。

　　本文首发于博客园：简单数据分析13。

　　不知不觉写了10篇网络爬虫系列教程，这10篇文章基本涵盖了网络爬虫的大部分功能。今天的内容是本系列的最后一篇文章。下一章我再开个坑，讲讲如何用Excel对采集到的数据进行格式化和分析。

　　我会在下一篇文章文章中对Web Scraper教程做一个全面的总结，今天开始我们的实战教程。

　　在之前的课程中，我们抓取的数据都是同级别的内容，主要讨论的问题是如何处理市场上各种类型的分页，但是如何抓取详情页的内容数据并没有介绍. .

　　比如我们要抓取b站*敏*感*词*区TOP排行榜的数据：

　　按照之前的爬取逻辑，我们爬取了这个榜单上的作品相关的数据，比如下图中的排名、作品名称、播放量、弹幕数、作者姓名等。

　　经常逛B站的朋友也知道，UP主经常暗示看视频会连续三个操作（点赞+币+采集）。可以看出这三个数据对视频的排名有一定的影响，所以这些数据对我们也有一定的参考价值。

　　但遗憾的是，这份榜单中并没有相关数据。这些数据在视频详情页，我们需要点击链接查看：

　　今天的教程内容是教大家如何在爬取一级页面（列表页）的同时，使用Web Scraper抓取二级页面（详情页）的内容。

　　1.创建站点地图

　　首先，我们找到要捕获的数据的位置。我已经在下图中的红框中标出了关键路径。你可以比较一下：

　　然后创建一个相关的SiteMap，这里我取了bilibili_rank的名字：

　　2.为容器创建一个选择器

　　设置前我们观察一下，发现这个网页的排名数据是一次性加载100条数据，不需要分页，所以这里的Type类型选择为Element。

　　其他参数都比较简单，就不赘述了（了解不多的可以看我之前的基础教程）。这是一个截图供您参考：

　　3.创建列表页面子选择器

　　这次子选择器要抓取的内容如下，都比较简单。可以参考图片截图：

　　排名 (num) 作品名称 (title) 播放量 (play_amount) 弹幕量 (danmu_count) 作者: (author)

　　如果做了这一步，其实可以捕获所有已知的列表数据，但是本文的重点是：如何捕获二级页面（详情页）的三元组数据？

　　做了这么多爬虫，你可能已经发现，Web Scraper 的本质就是模拟人的操作来达到爬取数据的目的。

　　那么我们平时如何查看二级页面（详情页）呢？其实点击标题链接即可跳转：

　　Web Scraper为我们提供了点击链接跳转的功能，即Type为Link的选择器。

　　感觉有点抽象？让我们通过一个例子来理解它。

　　首先，在本例中，我们获取了标题的文本，选择器类型为 Text：

　　当我们要抓取链接的时候，需要再创建一个选择器，被选中的元素都是一样的，只不过Type是Link：

　　创建成功后，我们点击链接类型选择器，进入它的内部，然后创建相关的选择器。下面我录制了一个*敏*感*词*，注意我鼠标高亮的导航路由部分，可以清楚的看到这几个选择器的层级关系：

　　4.创建详情页子选择器

　　当你点击链接时，你会发现浏览器会在一个新的Tab页中打开详情页，但是在列表页上打开了Web Scraper的选择窗口，无法跨页选择想要的数据。

　　处理这个问题也很简单，可以复制详情页的链接，复制到列表页所在的Tab页，然后回车重新加载，这样就可以在当前页选中了。

　　我们在 Link 类型的选择器中创建了更多的选择器。这里我选择了点赞数、*敏*感*词*数、采集数和分享数4个数据。这个操作也很简单，这里就不赘述了。

　　所有选择器的*敏*感*词*如下：

　　我们可以看到video_detail_link节点收录了4个二级页面（detail pages）的数据。至此，我们的子选择器已经建立。

　　5.捕获数据

　　激动人心的部分终于来了，我们将开始抓取数据。但在抓取之前，我们必须将等待时间调整为更大。默认时间是2000毫秒，我这里改成5000毫秒。

　　为什么要这样做？看下图你就明白了：

　　首先，每次打开二级页面都是一个全新的页面，此时浏览器加载页面需要时间；

　　其次，我们可以观察要捕获的点赞数等数据。页面刚加载的时候，它的值为“--”，过一段时间会变成一个数字。

　　因此，我们直接等待5000ms，等页面和数据加载完毕后再统一取。

　　配置好参数后，我们就可以正式抓取下载了。下图是我抓取的数据的一部分，这里是为了证明这种方法有效：

　　6.总结

　　这个教程可能有点难。我将分享我的站点地图。如果在生产过程中遇到困难，可以参考我的配置。SiteMap的导入功能我在第6篇教程中详细讲解过。可以一起吃。：

　　{"_id":"bilibili_rank","startUrl":["https://www.bilibili.com/ranking/all/1/0/3"],"selectors":[{"id":"container","type":"SelectorElement","parentSelectors":["_root"],"selector":"li.rank-item","multiple":true,"delay":0},{"id":"title","type":"SelectorText","parentSelectors":["container"],"selector":"a.title","multiple":false,"regex":"","delay":0},{"id":"author","type":"SelectorText","parentSelectors":["container"],"selector":"a span","multiple":false,"regex":"","delay":0},{"id":"play_amount","type":"SelectorText","parentSelectors":["container"],"selector":".detail > span:nth-of-type(1)","multiple":false,"regex":"","delay":0},{"id":"danmu_amount","type":"SelectorText","parentSelectors":["container"],"selector":"span:nth-of-type(2)","multiple":false,"regex":"","delay":0},{"id":"video_detail_link","type":"SelectorLink","parentSelectors":["container"],"selector":"a.title","multiple":false,"delay":0},{"id":"coin","type":"SelectorText","parentSelectors":["video_detail_link"],"selector":"span.coin","multiple":false,"regex":"","delay":0},{"id":"collect","type":"SelectorText","parentSelectors":["video_detail_link"],"selector":"span.collect","multiple":false,"regex":"","delay":0},{"id":"share","type":"SelectorText","parentSelectors":["video_detail_link"],"selector":"span.share","multiple":false,"regex":"[0-9]+","delay":0},{"id":"num","type":"SelectorText","parentSelectors":["container"],"selector":"div.num","multiple":false,"regex":"","delay":0},{"id":"like","type":"SelectorText","parentSelectors":["video_detail_link"],"selector":".ops span.like","multiple":false,"regex":"","delay":0}]}

　　掌握了二级页面的爬取方式后，三级页面和四级页面都没有问题。因为例程是相同的：它们都是在链接选择器指向的下一页上抓取数据。因为原理是一样的，我就不演示了。