Python爬虫：用BeautifulSoup进行NBA数据爬取

Posted 2020-09-10 night李

爬虫主要就是要过滤掉网页中无用的信息，抓取网页中有用的信息
一般的爬虫架构为：

在python爬虫之前先要对网页的结构知识有一定的了解，如网页的标签，网页的语言等知识，推荐去W3School：
W3school链接进行了解
在进行爬虫之前还要有一些工具：
1.首先Python 的开发环境：这里我选择了python2.7，开发的IDE为了安装调试方便选择了用VS2013上的python插件，在VS上进行开发（python程序的调试与c的调试差不多较为熟悉）；
2.网页源代码的查看工具：虽然每一个浏览器都能进行网页源代码的查看，但这里我还是推荐用火狐浏览器和FirBug插件（同时这两个也是网页开发人员必用的工具之一）；
FirBug插件的安装可以在右边的添加组件中安装；

其次来看试着看网页的源代码，这里我以我们要爬取的篮球数据为例：
如我要爬取网页中的Team Comparison表格内容为例：

先右键选中如我要爬取的比分32-49，点击右键选择选择用firBug查看元素，（FirBug的还有一个好处是在查看源码时会在网页上显示源码所显示的样式，在网页中我的位置及内容）网页下方就会跳出网页的源码以及32-49比分所在的位置及源码如下图：

可以看到32-49为网页的源码为：

<td class="sdi-datacell" align="center">32-49</td>

其中td为标签的名字，class为类的名字，align为格式，32-49为标签的内容，为我们要爬取的内容；
但类似的标签以及类的名字在同一个网页中有很多，光靠这两个元素无法爬下我们所需要的数据，这时就需要查看这一标签的父标签，或再上一级的标签来提取更多我们要爬取数据的特征，来过滤其他我们所不要爬取的数据，如我们这里选取这张表格所在的标签作为我我们进行筛选的第二个
特征：

<div class="sdi-so">
<h3>Team Comparison</h3>

再来我们来分析网页的URL：
如我们要爬取的网页的URL为：

http://www.covers.com/pageLoader/pageLoader.aspx?page=/data/nba/matchups/g5_preview_12.html

因为有搭网站的经验，所以可以这里
www.covers.com为域名；
/pageLoader/pageLoader.aspxpage=/data/nba/matchups/g5_preview_12.html，可能为放在服务器上的网页根目录的/pageLoader/pageLoader.aspx?page=/data/nba/matchups/地址中的网页，
为了管理方便，相同类型的网页都会放在同一个文件夹下，以类似的命名方式命名：如这边的网页是以g5_preview_12.html命名的所以类似的网页会改变g5中的5，或者_12 中的12，通过改变这两个数字，我们发现类似网页可以改变12数字来得到，
再来学习爬虫：
这里python爬虫主要用到了
urllib2
BeautifulSoup
这两个库，BeautifulSoup的详细文档可以在以下网站中查看：
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
在爬取网页时：
先要打开网页，然后在调用beautifulSoup库进行网页的分析，再用如.find函数找到要刚刚我们分析的特征所在的位置，并用.text来获取标签的内容即我们所要爬取的数据
如我们对照以下代码来进行分析：

  response=urllib2.urlopen(url)
    print response.getcode()
    soup=BeautifulSoup(
                                response,
                                'html.parser',
                                from_encoding='utf-8' 
                                )
    links2=soup.find_all('div',class_="sdi-so",limit=2)
    cishu=0
    for i in links2:
        if(cishu==1):
            two=i.find_all('td',class_="sdi-datacell")
            for q in two:
                print q.text
                table.write(row,col,q.text)
                col=(col+1)%9
                if(col==0):
                    row=row+1
            row=row+1
            file.save('NBA.xls')
        cishu=cishu+1

urllib2.urlopen(url)为打开网页；
print response.getcode()为测试网页是否能被打开；
soup=BeautifulSoup(
response,
‘html.parser’,
from_encoding=’utf-8’
)
为代用Beautiful进行网页的分析；
links2=soup.find_all(‘div’,class_=”sdi-so”,limit=2)为进行特征值的查询与返回
其中我们要查找’div’,class_=”sdi-so”,的标签，limit=2为限制找两个（这是为过滤其他类似的标签）

 for i in links2:
        if(cishu==1):
            two=i.find_all('td',class_="sdi-datacell")
            for q in two:
                print q.text
                table.write(row,col,q.text)
                col=(col+1)%9
                if(col==0):
                    row=row+1
            row=row+1

为在找到的’div’,class_=”sdi-so”,的标签中再进行相应的如’td’,class_=”sdi-datacell”标签的查找；
q.text为返回我们所要的数据
这里 row=row+1，row=row+1为我们将数据写入到excel文件时文件格式的整理所用的；
接下来是对抓取数据的保存：
这里我们用了excel来保存数据用到了包：
xdrlib,sys， xlwt
函数：
file=xlwt.Workbook()
table=file.add_sheet(‘shuju’,cell_overwrite_ok=True)
table.write(0,0,’team’)
table.write(0,1,’W/L’)
table.write(row,col,q.text)
file.save(‘NBA.xls’)
为最基本的excel写函数，这里不再累述；
最后我们爬下来数据保存格式后样式为：

NICE

我所认为最深沉的爱，莫过于分开以后，我将自己，活成了你的样子。