首页手记用html和csv文件保存爬取到的数据

用html和csv文件保存爬取到的数据

标签：

Python

经过努力，我们终于拿到了数据了。那么下一步就是要将我们获取到的数据保存起来了，这样才能给后续的操作(在网页上展示、数据分析挖掘可视化等等)提供便利。

一般我们保存数据可以采用多种可选载体，根据成本、数据用途我们分别采用适合自己的载体保存数据。

主要的数据保存方法有

写入到文本：txt，csv，excel...
保存到数据库：本地的sqlite、MySQL、mongodb...

由于保存到数据库的操作需要了解数据库相关知识以及软件支持，所以我们本章采用多种文本方式写入。

先回顾一下上一节的代码：

import requestsfrom bs4 import BeautifulSoup  # 从bs4引入BeautifulSoup#请求网页url = "https://movie.douban.com/cinema/later/chengdu/"response = requests.get(url)# 解析网页# 初始化BeautifulSoup方法一：利用网页字符串自带的编码信息解析网页soup = BeautifulSoup(response.content.decode('utf-8'), 'lxml')# 初始化BeautifulSoup方法二：手动指定解析编码解析网页# soup = BeautifulSoup(response.content, 'lxml', from_encoding='utf-8')# print(soup)  # 输出BeautifulSoup转换后的内容all_movies = soup.find('div', id="showing-soon")  # 先找到最大的div# print(all_movies)  # 输出最大的div的内容for each_movie in all_movies.find_all('div', class_="item"):  # 从最大的div里面找到影片的div
    # print(each_movie)  # 输出每个影片div的内容
    all_a_tag = each_movie.find_all('a')
    all_li_tag = each_movie.find_all('li')
    movie_name = all_a_tag[1].text
    moive_href = all_a_tag[1]['href']
    movie_date = all_li_tag[0].text
    movie_type = all_li_tag[1].text
    movie_area = all_li_tag[2].text
    movie_lovers = all_li_tag[3].text
    print('名字：{}，链接：{}，日期：{}，类型：{}，地区：{}， 关注者：{}'.format(
        movie_name, moive_href, movie_date, movie_type, movie_area, movie_lovers))

Python打开文件操作详解
使用file_obj = open("file_name", 'mode', encoding="encoding")的方法进行操作。
file_name是你需要读取或者写入的文件路径及文件名(如"../data/ok.txt"是相对路径打开，如果只写一个"ok.txt"，那么就会默认保存到当前.py文件或者.ipynb文件的相同文件夹里面)

mode是你指定操作文件的方法，常用的有r，w，a, r+，rb，wb，ab，rb+这些方法，r是读取(read，如果不存在则报错)，w是写入(write，文件不存在则创建，如果文件存在则覆盖)，a是追加写入(文件不存在则创建，文件存在从文件最后开始写入)，r+是读取和写入。后面加了个b的，是以二进制方式进行上述操作(通常用于对图片、视频等二进制文件进行操作)，mode默认是r。
encoding在前面的章节说过了，是我们对文件进行操作所遵循的编码，默认为当前运行环境编码。Windows的默认编码是gbk，linux系统基本上是utf-8。不同的文件可以有不同的编码，设置读取的编码错误要么会报错，要么就得不到正确的内容。
file_obj是一个文件对象(Python里面也是万物皆对象，所以不要愁没有对象了)，之后我们读取、写入数据都通过这个对象进行操作。

Python读取文件方法
file_obj.read()，一次性读取文件所有的内容作为一个字符串。
file_obj.readlines()，一次性读取文件所有内容，但每一行作为一个字符串并放在一个list(数组)里面。
file_obj.readline(limit)，从上次读取的行数开始，读取limit行，limit默认为1。该方法通常用在由于文件过大不能一次性读取完毕一个文件的时候)。
Python写入文件的方法
file_obj.write(anystr)，该方法接受一个字符串，并将字符串写入。
file_obj.writelines(list_of_str)，该方法接受一个内部全是字符串的list数组，并将所有字符串一行一个写入(自动添加换行符)。
关闭文件
file_obj.close() 关闭文件对象。打开了一个文件之后要记得关闭，否则可能会出现不可控的问题。但是如果用with方法打开了文件，则不需要手动关闭文件，在with语句块运行结束后，会自动关闭文件。
示例

# 需要手动关闭文件file_obj = open("ok.txt", 'r', encoding="utf-8")
content = file_obj.read()
file_obj.close()# 不需要手动关闭文件with open("ok.txt", 'r', encoding="utf-8") as file_obj:
    content = file_obj.read()

把数据保存到 html 文件

由于txt文件难度较低且所学内容被本小节囊括了，所以我们直接从保存数据到HTML文件开始。
我们的目标是：

网页示例

网页的代码是这样的(为了简洁美观，所以采用了bootstrap的css文件)：

<!DOCTYPE html><html><head>
    <meta charset="UTF-8">
    <title>豆瓣电影即将上映影片信息</title>
    <link href="https://cdn.bootcss.com/bootstrap/4.0.0/css/bootstrap.min.css" rel="stylesheet"></head><body><h2 class="text-center">豆瓣电影即将上映影片信息</h2><table class="table table-striped table-hover mx-auto text-center">
    <thead>
        <tr>
            <th>影片名</th>
            <th>上映日期</th>
            <th>影片类型</th>
            <th>地区</th>
            <th>关注者数量</th>
        </tr>
    </thead>
    <tbody>
        <tr>
            <td><a href="https://movie.douban.com/subject/30212331/">测试名1</a></td>
            <td>测试日期1</td>
            <td>测试类型1</td>
            <td>测试地区1</td>
            <td>测试关注者1</td>
        </tr>
        <tr>
            <td><a href="https://movie.douban.com/subject/30212331/">测试名2</a></td>
            <td>测试日期2</td>
            <td>测试类型2</td>
            <td>测试地区2</td>
            <td>测试关注者2</td>
        </tr>
    </tbody></table></body></html>

从这个代码，我们可以知道，只要我们重复生成<tbody>标签里面的<tr>...<tr>中间的内容，并把我们的数据填进去就好了。<tbody>前后的代码我们就只需要复制过来写入就好了。
所以我们就拿着之前的代码开始操作了：
注：python 里面三个"围起来的字符会被看做是一整个字符串，避免了换行符的麻烦。
.format()这个方法的用法是把字符串里面的{}字符，按次序一一替换成 format() 接受的所有参数。

import requestsfrom bs4 import BeautifulSoup  # 从bs4引入BeautifulSoup#请求网页url = "https://movie.douban.com/cinema/later/chengdu/"response = requests.get(url) # 初始化BeautifulSoup方法一：利用网页字符串自带的编码信息解析网页soup = BeautifulSoup(response.content.decode('utf-8'), 'lxml') 

# 初始化BeautifulSoup方法二：手动指定解析编码解析网页# soup = BeautifulSoup(response.content, 'lxml', from_encoding='utf-8') # print(soup)  # 输出BeautifulSoup转换后的内容all_movies = soup.find('div', id="showing-soon")  # 先找到最大的div# print(all_movies)  # 输出最大的div的内容html_file = open('data.html', 'w', encoding="utf-8")
html_file.write("""
<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>豆瓣电影即将上映影片信息</title>
    <link href="https://cdn.bootcss.com/bootstrap/4.0.0/css/bootstrap.min.css" rel="stylesheet">
</head>
<body>
<h2 class="text-center">豆瓣电影即将上映影片信息</h2>
<table class="table table-striped table-hover mx-auto text-center">
    <thead>
        <tr>
            <th>影片名</th>
            <th>上映日期</th>
            <th>影片类型</th>
            <th>地区</th>
            <th>关注者数量</th>
        </tr>
    </thead>
    <tbody>
""")for each_movie in all_movies.find_all('div', class_="item"):  # 从最大的div里面找到影片的div
    # print(each_movie)  # 输出每个影片div的内容
    all_a_tag = each_movie.find_all('a')
    all_li_tag = each_movie.find_all('li')
    movie_name = all_a_tag[1].text
    moive_href = all_a_tag[1]['href']
    movie_date = all_li_tag[0].text
    movie_type = all_li_tag[1].text
    movie_area = all_li_tag[2].text    # 替换字符串里面的 想看 两个字为空，使得更加美观
    movie_lovers = all_li_tag[3].text.replace("想看", '')
    print('名字：{}，链接：{}，日期：{}，类型：{}，地区：{}， 关注者：{}'.format(
        movie_name, moive_href, movie_date, movie_type, movie_area, movie_lovers))
    html_file.write("""
        <tr>
            <td><a href="{}">{}</a></td>
            <td>{}</td>
            <td>{}</td>
            <td>{}</td>
            <td>{}</td>
        </tr>
    """.format(moive_href, movie_name, movie_date, movie_type, movie_area, movie_lovers))
html_file.write("""
     </tbody>
</table>
</body>
</html>
""")
html_file.close()
print("write_finished!")

运行一下，成功输出。然后我们回到 jupyter 的首页，找到我们的data.html，点击文件名打开网页，就可以看到如下的结果了，并且我们点击这些影片的名字，都会自动跳转到影片的详情页。

写入结果展示

数据保存到csv文件

首先介绍一下csv文件，这是个类 txt 的表格文件，读取和写入都相对excel的表格文件更加简单方便，所以在数据领域使用较多。
要使用csv模块，我们首先需要import csv，然后把一个文件对象作为参数传给csv.writer()或者csv.reader()，然后我们就对这个writer/reader进行读写操作了。
写入是调用writer的writerow()方法。writerow方法接受一个由字符串组成的 list 数组，然后就会把这个list的内容按照规定写入到csv文件。
读取则是对reader进行遍历，每一轮遍历的结果返回一行的数据组成的 list数组。

写入示例：

import csv# Windows默认编码是gbk，如果用utf-8，excel打开可能会乱码# newline='' 是为了让writer自动添加的换行符和文件的不重复，防止出现跳行的情况file_obj = open('csvtest.csv', 'w', encoding="gbk", newline='')
writer = csv.writer(file_obj)
a_row = ['你好', 'hello', 'thank', 'you']
row_2 = ['how', 'are', 'you', 'indian', 'mifans']
writer.writerow(a_row)
writer.writerow(row_2)
file_obj.close()
print('finished!')

我们在Windows文件管理器打开当前代码文件夹，(如果没有指定jupyter启动路径并且是以win+x键启动的jupyter，那么jupyter的代码和生成的文件默认是在你的 C:/USER(用户)/username 文件夹里面，username是你的电脑的用户名。)
找到这个csvtest.csv文件(默认就是excel或者wps格式)并打开

运行结果用excel打开

其实文件内容很简单：用,隔开不同的列，一行就是一个新的行：

csv文件内容

读取示例：

import csv# 读取的编码要和写入的保持一致file_obj = open('csvtest.csv', 'r', encoding="gbk")
reader = csv.reader(file_obj)for row in reader:
    print(row)
file_obj.close()
print('finished!')

运行结果输出：

['你好', 'hello', 'thank', 'you']
['how', 'are', 'you', 'indian', 'mifans']
finished!

OK，下一步我们就试着把影片信息存到csv文件中

import csvimport requestsfrom bs4 import BeautifulSoup  # 从bs4引入BeautifulSoup# 请求网页url = "https://movie.douban.com/cinema/later/chengdu/"response = requests.get(url)# 初始化BeautifulSoup方法一：利用网页字符串自带的编码信息解析网页soup = BeautifulSoup(response.content.decode('utf-8'), 'lxml')# 初始化BeautifulSoup方法二：手动指定解析编码解析网页# soup = BeautifulSoup(response.content, 'lxml', from_encoding='utf-8')# print(soup)  # 输出BeautifulSoup转换后的内容all_movies = soup.find('div', id="showing-soon")  # 先找到最大的div# print(all_movies)  # 输出最大的div的内容csv_file = open('data.csv', 'w', encoding="gbk", newline='')
writer = csv.writer(csv_file)

writer.writerow(["影片名", "链接", "上映日期", "影片类型", "地区", "关注者"])  # 写入标题for each_movie in all_movies.find_all('div', class_="item"):  # 从最大的div里面找到影片的div
    # print(each_movie)  # 输出每个影片div的内容
    all_a_tag = each_movie.find_all('a')
    all_li_tag = each_movie.find_all('li')
    movie_name = all_a_tag[1].text
    moive_href = all_a_tag[1]['href']
    movie_date = all_li_tag[0].text
    movie_type = all_li_tag[1].text
    movie_area = all_li_tag[2].text
    movie_lovers = all_li_tag[3].text.replace("想看", '')
    print('名字：{}，链接：{}，日期：{}，类型：{}，地区：{}， 关注者：{}'.format(
        movie_name, moive_href, movie_date, movie_type, movie_area, movie_lovers))
    writer.writerow([movie_name, moive_href, movie_date, movie_type, movie_area, movie_lovers])

csv_file.close()
print("write_finished!")