记一次手写python爬虫的经历

叁歲伎倆 2022-05-26 09:49 361阅读 0赞

前几日，一位朋友在用python写爬虫的时候遇到问题，向我咨询。然而我python几乎连门都没有入，水平就停留在[这篇文章][Link 1]的程度上。但是受人所托，并且看起来问题也不难，于是不得已为之，花了大半个晚上才解决。（毕竟我菜）

问题是这样的，想要获取[http://www.feixiaohao.com/currencies/][http_www.feixiaohao.com_currencies]这个网站的虚拟货币类型，价格，成交额，涨幅等数据，按理是很简单的。但是据朋友说，使用Beautifulsoup进行分析的时候，发现爬不到这些数据。

我的第一反应就是，这个网站页面怕是用js动态加载的吧，所以html里没有具体内容。但是当我打了log看了一下之后，发现的确能够返回数据。但是用Beautifulsoup处理的时候，却是返回的空。

于是使用python请求网页数据，并保存在本地，仔细研究了一下，发现网页的内容是这样的：  
![一个表格数据][70]

可以看到，这个表格的`<tr>`标签是没有对应的`</tr>`的。虽然据说Beautifulsoup可以自动修复这类问题，不过我好像没有找到具体的方法。而使用Chrome等浏览器打开这个网页查看源码，发现标签被补全了。  
![浏览器查看网页源码][70 1]

看来是浏览器自动给没有成对的标签补全了；当然也可能是网站方面故意这么写的，然后用js给补全，但我觉得这没什么意义；理应是浏览器的功劳。既然这样，Beautifulsoup由于网页内容的格式问题不能解析，那么摆在我面前的大概有两条路，其一是用代码把未成对的标签补齐，其二是直接把网页内容当成字符串来分析。

为了省时间，我选择了后者。

接下来的事情就很简单了，小学生都能做的找规律。稍作分析，我发现了每种虚拟币表格项都是以`<tr id=`开头的，并且其他地方没有这种形式的内容。而每个行表格中，又有若干个`<td>`标签，依次是序号，币的名称，流通市值，价格，流通数量，成交额(24h)，涨幅(24h)，价格趋势(7d)。

首先获取网页内容：

request = urllib.request.Request("http://www.feixiaohao.com/currencies/")
    response = urllib.request.urlopen(request)
    content = response.read().decode('utf-8')

然后把包含了所有币种的表格项这部分的html截取下来：

start_index = content.find('<tr id=')
    end_index = content.find('</table>')
    content = content[start_index:end_index]

现在，我们的content保存的就是所有币种的表格项了。接下来，我们建立一个列表，把每个币种的起始位置保存下来。

list_of_coin_table_start_index = []
    
    start_index = content.find('<tr id=')
    while start_index != -1:
        list_of_coin_table_start_index.append(start_index)
        start_index = content.find('<tr id=', start_index + 1)

这样一来，我们就可以对每种虚拟币进行分析了。例如获取这个币的id字段，因为每个表格项都是以`<tr id=`开头，比如`<tr id=bitcoin>`，接下来就是id和>，那么就可以截取`<tr id=`和`>`之间的字符串，即是这个币的id了：

for i in range(0, len(list_of_coin_table_start_index)):
        start_index = list_of_coin_table_start_index[i]
        coin = Coin()
    
        coin.id = content[start_index + 7:content.find('>', start_index)]
    
        coins.append(coin)

其他字段同理。最后，我们把分析结果保存在txt里（真的不会数据库）：

with open('result.txt', encoding='utf-8', mode='w') as f:
        f.write('id 名称 价格 涨幅\n')
        for c in coins:
            line = ''
            line += c.id
            line += ' ' * (20 - len(c.id))
            line += c.coin_name
            line += ' ' * (22 - len(c.coin_name))
            line += c.price
            line += ' ' * (22 - len(c.price))
            line += c.change
            line += ' ' * (22 - len(c.change))
            line += '\n'
            f.write(line)

txt结果如下（由于时间关系，只截取了id，因为其他字段都是类似的）  
![结果][70 2]

算是功德圆满了吧。

[Link 1]: https://blog.csdn.net/zengsidou/article/details/79780205
[http_www.feixiaohao.com_currencies]: http://www.feixiaohao.com/currencies/
[70]: /images/20220526/5a57fb824d2f48bb88bddec4cf6770bd.png
[70 1]: /images/20220526/2c61c1e3e9884e3ba7808ff0fb4a269c.png
[70 2]: /images/20220526/fa3bcee3348f4325b51e1a33cd634fa7.png