
本教程旨在解决python网络爬虫中处理分页数据和数据持久化到excel的常见问题。文章将详细指导如何构建分页url、循环遍历多页、使用列表字典结构高效收集数据,并利用pandas的`excelwriter`一次性将所有抓取结果准确保存到excel文件,从而避免文件覆盖、`filenotfounderror`等错误,提升爬虫的健壮性和效率。
在进行网页抓取时,处理包含多页内容的网站是一个普遍的需求。然而,在实现分页抓取并将其结果保存到文件时,开发者经常会遇到一些挑战,例如如何正确地迭代所有页面、如何避免文件在循环中被意外覆盖,以及如何处理FileNotFoundError等文件操作异常。本教程将通过一个实际案例,详细阐述如何构建一个高效且健壮的分页爬虫,并将抓取到的结构化数据保存到Excel文件中。
分页抓取的核心在于识别并构造不同页面的URL,然后通过循环依次请求这些URL,提取数据。
大多数网站的分页URL都遵循一定的模式,通常包含一个表示页码的参数。例如,https://www.example.com/catalog/?q=item&page={n},其中{n}是页码。我们需要观察目标网站的URL结构,找出这个规律。
# 示例:构建分页URL
base_url = "https://www.jumia.ma/catalog/?q=pc&page="
page_number = 1
url = f"{base_url}{page_number}#catalog-listing"使用while循环是实现分页抓取的常见方式。在每次循环中,我们更新页码,构造新的URL,然后发送HTTP请求获取页面内容。
立即学习“Python免费学习笔记(深入)”;
import requests
import time
def fetch_page_content(page_num):
url = f"https://www.jumia.ma/catalog/?q=pc&page={page_num}#catalog-listing"
try:
html_text = requests.get(url).text
return html_text
except requests.exceptions.RequestException as e:
print(f"请求页面 {page_num} 失败: {e}")
return None
# 示例循环结构
max_pages = 5 # 假设最多抓取5页
current_page = 1
while current_page <= max_pages:
page_content = fetch_page_content(current_page)
if page_content:
# 在这里处理页面内容
pass
current_page += 1
time.sleep(2) # 添加延迟,避免对服务器造成过大压力在进行网络爬取时,务必添加适当的延迟(time.sleep())以模拟人类行为,避免在短时间内发送大量请求,这可能导致IP被封禁或对目标网站造成不必要的负担。同时,建议查阅网站的robots.txt文件,了解其爬取政策。
在循环中收集数据时,避免在每次迭代都创建一个新的DataFrame并追加到文件,这种方式效率低下且容易出错。更推荐的做法是,在循环内部将每页的数据收集到一个临时的结构中,待所有页面抓取完毕后,再统一处理和保存。
将每条抓取到的记录存储为一个字典,然后将这些字典添加到列表中。这种“列表字典”的结构非常适合后续转换为Pandas DataFrame。
from bs4 import BeautifulSoup
from bs4 import Tag # 导入Tag类型用于类型检查
def parse_page_data(html_content):
soup = BeautifulSoup(html_content, "lxml")
computers = soup.find_all("a", class_="core")
page_data = []
for computer in computers:
name_element = computer.find("h3", class_="name")
price_element = computer.find("div", class_="prc")
original_price_element = computer.find("div", class_="old")
promo_element = computer.find("div", class_="bdg _dsct _sm")
# 健壮的数据提取:检查元素是否存在
name = name_element.text.strip() if name_element else "N/A"
price = price_element.text.strip() if price_element else "N/A"
original_price = original_price_element.text.strip() if original_price_element else "N/A"
promo = promo_element.text.strip() if promo_element else "N/A"
page_data.append({
'name': name,
'price': price,
'original_price': original_price,
'promo': promo
})
return page_data
# 整合到分页循环中
all_data = []
max_pages = 5
current_page = 1
while current_page <= max_pages:
html_content = fetch_page_content(current_page)
if html_content:
page_records = parse_page_data(html_content)
all_data.extend(page_records) # 将当前页的数据添加到总列表中
current_page += 1
time.sleep(2)健壮的元素查找与数据提取: 在抓取过程中,某些HTML元素可能在特定页面或特定商品上不存在。直接访问.text或.strip()会导致AttributeError。因此,在访问元素的属性前,应先判断元素是否存在,例如使用if element: element.text.strip() else "N/A"。
当所有数据都收集到一个列表中后,使用Pandas将其转换为DataFrame并保存到Excel就变得非常简单和高效。
从列表字典创建DataFrame是Pandas的常见操作。
import pandas as pd # 假设 all_data 已经包含了所有抓取到的数据 df = pd.DataFrame(all_data)
pd.ExcelWriter是Pandas用于写入Excel文件的推荐方式。它提供了灵活的写入选项,并且能确保文件操作的正确性。
避免常见文件写入错误: 原始代码中出现的FileNotFoundError: [Errno 2] No such file or directory: 'output.xlsx'错误,通常是由于尝试以追加模式(mode='a')打开一个尚不存在的文件时,内部机制未能正确处理。当文件不存在时,最简单的做法是让pd.ExcelWriter默认创建它,而不是强制指定追加模式。
如果需要完全覆盖现有文件或创建新文件,最简洁且推荐的方式是:
# 假设 df 已经包含了所有需要保存的数据
output_filename = "output.xlsx"
with pd.ExcelWriter(output_filename) as writer:
df.to_excel(writer, sheet_name="sheet1", index=False) # index=False 避免将DataFrame索引写入Excel这种方式会在文件不存在时创建它,如果文件已存在则会完全覆盖。对于分页抓取,通常是先抓取所有数据,然后一次性写入,所以这种覆盖模式是合适的。
如果确实需要在现有文件中追加数据到新工作表,并且确保文件存在,可以先创建文件,或使用mode='a'和if_sheet_exists='replace'(或'new'、'overlay'),但这需要确保文件路径是正确的,且openpyxl引擎能找到文件。对于本例,一次性写入所有数据更简单。
结合上述策略,以下是优化后的分页抓取并保存到Excel的完整代码:
import pandas as pd
from bs4 import BeautifulSoup
import requests
import time
def find_computers():
"""
抓取Jumia网站PC分类下多页的电脑信息。
"""
all_collected_data = [] # 用于存储所有页面抓取到的数据
max_pages = 5 # 设置要抓取的最大页数,可以根据实际情况调整
current_page = 1
while current_page <= max_pages:
print(f"正在抓取第 {current_page} 页...")
url = f"https://www.jumia.ma/catalog/?q=pc&page={current_page}#catalog-listing"
try:
html_text = requests.get(url, timeout=10).text # 增加请求超时
soup = BeautifulSoup(html_text, "lxml")
computers = soup.find_all("a", class_="core")
if not computers:
print(f"第 {current_page} 页未找到商品,可能已达最后一页或页面结构改变。")
break # 如果当前页没有找到商品,则认为已到达最后一页,停止循环
for computer in computers:
name_element = computer.find("h3", class_="name")
price_element = computer.find("div", class_="prc")
original_price_element = computer.find("div", class_="old")
promo_element = computer.find("div", class_="bdg _dsct _sm")
# 健壮性检查:确保元素存在才提取文本
name = name_element.text.strip() if name_element else "N/A"
price = price_element.text.strip() if price_element else "N/A"
original_price = original_price_element.text.strip() if original_price_element else "N/A"
promo = promo_element.text.strip() if promo_element else "N/A"
all_collected_data.append({
'name': name,
'price': price,
'original_price': original_price,
'promo': promo
})
except requests.exceptions.RequestException as e:
print(f"请求第 {current_page} 页失败: {e}")
except Exception as e:
print(f"处理第 {current_page} 页时发生错误: {e}")
current_page += 1
time.sleep(6) # 每次请求后暂停6秒,避免请求过于频繁
return all_collected_data
if __name__ == "__main__":
print("开始抓取数据...")
data_to_save = find_computers()
if data_to_save:
df = pd.DataFrame(data_to_save)
output_filename = "output.xlsx"
try:
with pd.ExcelWriter(output_filename, engine="openpyxl") as writer:
df.to_excel(writer, sheet_name="sheet1", index=False)
print(f"所有数据已成功保存到 {output_filename} 的 'sheet1' 中。")
except Exception as e:
print(f"保存数据到Excel时发生错误: {e}")
else:
print("未抓取到任何数据,未生成Excel文件。")通过遵循本教程中的方法和最佳实践,您可以构建出更高效、更稳定的Python网络爬虫,并有效地管理抓取到的数据。
以上就是Python网络爬虫:高效处理分页数据与Pandas Excel存储实践的详细内容,更多请关注php中文网其它相关文章!
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号