用 Python 爬取网页
点击上方“python入门与进阶”，关注并“星标
每日接收Python干货！
作为数据科学家的第一个任务，就是做网页爬取。那时候，我对使用代码从网站上获取数据这项技术完全一无所知，它偏偏又是最有逻辑性并且最容易获得的数据来源。在几次尝试之后，网页爬取对我来说就几乎是种本能行为了。如今，它更成为了我几乎每天都要用到的少数几个技术之一。
在今天的文章中，我将会用几个简单的例子，向大家展示如何爬取一个网站——比如从 Fast Track 上获取 2018 年 100 强企业的信息。用脚本将获取信息的过程自动化，不但能节省手动整理的时间，还能将所有企业数据整理在一个结构化的文件里，方便进一步分析查询。
太长不看版：如果你只是想要一个最基本的 Python 爬虫程序的示例代码，本文中所用到的全部代码都放在 GitHub （https://github.com/kaparker/tutorials/blob/master/pythonscraper/websitescrapefasttrack.py），欢迎自取。
准备工作
每一次打算用 Python 搞点什么的时候，你问的第一个问题应该是：“我需要用到什么库”。
网页爬取方面，有好几个不同的库可以用，包括：
Beautiful Soup
Requests
Scrapy
Selenium
今天我们打算用 Beautiful Soup 库。你只需要用 pip（Python包管理工具）就能很方便地将它装到电脑上：
安装完毕之后，我们就可以开始啦！
检查网页
为了明确要抓取网页中的什么元素，你需要先检查一下网页的结构。
以 Tech Track 100强企业（https://link.zhihu.com/?target=http%3A//www.fasttrack.co.uk/league-tables/tech-track-100/league-table/） 这个页面为例，你在表格上点右键，选择“检查”。在弹出的“开发者工具”中，我们就能看到页面中的每个元素，以及其中包含的内容。
右键点击你想要查看的网页元素，选择“检查”，就能看到具体的 HTML 元素内容
既然数据都保存在表格里，那么只需要简单的几行代码就能直接获取到完整信息。如果你希望自己练习爬网页内容，这就是一个挺不错的范例。但请记住，实际情况往往不会这么简单。
这个例子里，所有的100个结果都包含在同一个页面中，还被 标签分隔成行。但实际抓取过程中，许多数据往往分布在多个不同的页面上，你需要调整每页显示的结果总数，或者遍历所有的页面，才能抓取到完整的数据。
在表格页面上，你可以看到一个包含了所有100条数据的表格，右键点击它，选择“检查”，你就能很容易地看到这个 HTML 表格的结构。包含内容的表格本体是在这样的标签里：
每一行都是在一个 标签里，也就是我们不需要太复杂的代码，只需要一个循环，就能读取到所有的表格数据，并保存到文件里。
附注：你还可以通过检查当前页面是否发送了 HTTP GET 请求，并获取这个请求的返回值，来获取显示在页面上的信息。因为 HTTP GET 请求经常能返回已经结构化的数据，比如 JSON 或者 XML 格式的数据，方便后续处理。你可以在开发者工具里点击 Network 分类（有必要的话可以仅查看其中的 XHR 标签的内容）。这时你可以刷新一下页面，于是所有在页面上载入的请求和返回的内容都会在 Network 中列出。此外，你还可以用某种 REST 客户端（比如 Insomnia）来发起请求，并输出返回值。
用 Beautiful Soup 库处理网页的 HTML 内容
在熟悉了网页的结构，了解了需要抓取的内容之后，我们终于要拿起代码开工啦～
首先要做的是导入代码中需要用到的各种模块。上面我们已经提到过 BeautifulSoup，这个模块可以帮我们处理 HTML 结构。接下来要导入的模块还有 urllib，它负责连接到目标地址，并获取网页内容。最后，我们需要能把数据写入 CSV 文件，保存在本地硬盘上的功能，所以我们要导入 csv库。当然这不是唯一的选择，如果你想要把数据保存成 json 文件，那相应的就需要导入 json 库。
下一步我们需要准备好需要爬取的目标网址。正如上面讨论过的，这个网页上已经包含了所有我们需要的内容，所以我们只需要把完整的网址复制下来，赋值给变量就行了：
接下来，我们就可以用 urllib 连上这个URL，把内容保存在 page 变量里，然后用 BeautifulSoup 来处理页面，把处理结果存在 soup 变量里：
这时候，你可以试着把 soup 变量打印出来，看看里面已经处理过的 html 数据长什么样：
如果变量内容是空的，或者返回了什么错误信息，则说明可能没有正确获取到网页数据。你也许需要用一些错误捕获代码，配合 urllib.error （https://docs.python.org/3/library/urllib.error.html）模块，来发现可能存在的问题。
查找 HTML 元素
既然所有的内容都在表格里（
soup 对象里搜索需要的表格，然后再用 find_all 方法，遍历表格中的每一行数据。如果你试着打印出所有的行，那应该会有 101 行 —— 100 行内容，加上一行表头。
看看打印出来的内容，如果没问题的话，我们就可以用一个循环来获取所有数据啦。
如果你打印出 soup 对象的前 2 行，你可以看到，每一行的结构是这样的：
可以看到，表格中总共有 8 列，分别是 Rank（排名）、Company（公司）、Location（地址）、Year End（财年结束）、Annual Sales Rise（年度销售增长）、Latest Sales（本年度销售额）、Staff（员工数）和 Comments（备注）。
这些都是我们所需要的数据。
这样的结构在整个网页中都保持一致（不过在其他网站上可能就没这么简单了！），所以我们可以再次使用 find_all 方法，通过搜索
