因為會忘,所以要寫下來

初探 Python,用 Python 來寫個爬蟲吧

4 minutes to read

安裝 python

可到 https://www.python.org/ 這裡進行下載符合作業系統的 python 使用。 網路上有很多 python 安裝教學,這裡就不再贅述囉

安裝的版本是 Python 3.10.8


pip 指令筆記

這裡只有列出目前有在使用的。

  • 查詢 python 版本
pip -V
  • 查詢目前已安裝套件
pip list
  • 安裝套件
pip install <packageName>
  • 移除套件
pip uninstall <packageName>

新增 python 爬蟲套件

開啟 CMD

requests

  • 使用 python requests 函式庫向伺服器發送請求 install requests
pip install requests

requests 官方文件

Beautiful Soup 4

  • 用來解析網頁資料
pip install bs4

bs4 官方文件


開始爬蟲世界

這次主要爬的是 2022 年 ithome 鐵人賽的主題

撰寫程式注意事項

要是一不小心沒注意到很容易就會踩到雷哦!

  • python 的程式語言裡是有分大小寫
  • 使用縮排區分程式區塊,所以縮排必須保持一致,否則可能會出縮排的錯誤。

下面是練習的第一版程式

# import 需要使用到的套件
import requests
from bs4 import BeautifulSoup
import json

url  = 'https://ithelp.ithome.com.tw/2022ironman/signup/list'

# ithome 這裡有防毒惡意程式爬資料,所以將爬蟲程式偽裝成瀏覽器,放在headers裡
userAgent = {"user-agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36"}

# 向伺服器發送請求
r = requests.get(url, headers=userAgent)

if r.status_code == 200: # 請求成功
  nums = []
  cacheData = []
  soup = BeautifulSoup(r.text, 'html.parser')
  # 開始爬網頁內容,此為網頁裡的 class name
  pages = soup.select('nav.pagination-container span.pagination-inner')

  # 取得頁碼裡的資訊
  for item in pages:
    for num in item.find_all('a'):
      if num.text.isdigit():
        nums.append(int(num.text))
  # 取得總頁數
  maxPage = max(nums)

  # 取得所有頁面的資料
  for page in range(maxPage):
    # f'{url}?page={page + 1}' 格式化網址
    res = requests.get(f'{url}?page={page + 1}', headers=userAgent)
    soup1 = BeautifulSoup(res.text, 'html.parser')
    topic = soup1.find_all('a', {'class':'contestants-list__title'})
    for tag in topic:
      # 得到資料後,將需要的資訊存到 cacheData
      cacheData.append({
        'year': '2022',
        'title': tag.text.strip(),
        'url': tag.get('href', None),
      })

  # 打開要存的 json 檔,注意資料夾裡要有這個檔案哦。不然會噴錯
  f = open('ironman2022.json', 'a')
  # 把資料寫進 json裡
  f.write(json.dumps(cacheData))
  # 關閉 json 檔
  f.close()
else: # 請求失敗
  print('error', r.status_code)

完成後到 CMD 執行程式

py <檔案名>.py

優化程式碼

上面的程式看起來有點落落長,其實有些能包成 function 去處理,找了一下 function 的寫法 python 的 function 是使用 def 來宣告

import requests
from bs4 import BeautifulSoup
import json

url  = 'https://ithelp.ithome.com.tw/2022ironman/signup/list'
userAgent = {"user-agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36"}

def getMaxPageNumber(pagination):
  nums = []
  for item in pagination:
    for num in item.find_all('a'):
      if num.text.isdigit():
        nums.append(int(num.text))
  return max(nums)

r = requests.get(url, headers=userAgent)
if r.status_code == 200:
  soup = BeautifulSoup(r.text, 'html.parser')
  pages = soup.select('nav.pagination-container span.pagination-inner')
  maxPage = getMaxPageNumber(pages)
  cacheData = []
  for page in range(maxPage):
    res = requests.get(f'{url}?page={page + 1}', headers=userAgent)
    soup1 = BeautifulSoup(res.text, 'html.parser')
    topic = soup1.find_all('a', {'class':'contestants-list__title'})
    for tag in topic:
      cacheData.append({
        'year': '2022',
        'title': tag.text.strip(),
        'url': tag.get('href', None),
      })
  f = open('ironman2022.json', 'a')
  f.write(json.dumps(cacheData))
  f.close()
else:
  print('error', r.status_code)

優化後,可讀性看起來好多了 ^_^


初探 python 成功!! 如果有更好的作法也歡迎與我分享哦

對這篇文章有什麼想法嗎?

Copyright © 2024 Mandy. All rights reserved. Build with Astro