5 行程式碼就能入門爬蟲？

摘要：5 行程式碼就能寫一個 Python 爬蟲，文底公佈抽獎送書活動的中獎名單。

如果你是比較早關注我的話，會發現我此前的大部分文章都是在寫 Python 爬蟲，前後大概寫了十幾個爬蟲實戰案例，一直在埋頭往前寫，但卻沒有回到原點過，沒有寫過為什麼要爬蟲、爬蟲難不難、怎麼入門爬蟲這些問題。另外，我覺得關注我的朋友中有不少是剛剛入門 Python 或者想學習 Python 的，為了更加友好一些，所以也有必要說一說這幾個問題。基於這兩點思考，今天就來談談 如何用快速入門爬蟲。

先說結論：入門爬蟲很容易，幾行程式碼就可以，可以說是學習 Python 最簡單的途徑。

以我純小白、零基礎的背景來說，入門爬蟲其實很容易，容易在程式碼編寫很簡單，簡單的爬蟲通常幾行就能搞定，而不容易在確定爬蟲的目標，也就是說為什麼要去寫爬蟲，有沒有必要用到爬蟲，是不是手動操作幾乎無法完成，網際網路上有數以百萬千萬計的網站，到底以哪一個網站作為入門首選，這些問題才是難點。所以在動手寫爬蟲前，最好花一些時間想一想這清楚這些問題。

「Talk is cheap. Show me the code」，下面我就以曾寫過的一個爬蟲為例，說一說我是如何快速入門 Python 爬蟲的。

▌確立目標

第一步，確立目標。

為什麼當時想起寫這個爬蟲呢，是因為這是曾經在工作中想要解決的問題，當時不會爬蟲，只能用 Excel 花了數個小時才勉強地把資料爬了下來， 所以在接觸到爬蟲後，第一個想法就是去實現曾未實現的目標。以這樣的方式入門爬蟲，好處顯而易見，就是有了很明確的動力。
很多人學爬蟲都是去爬網上教程中的那些網站，網站一樣就算了，爬取的方法也一模一樣，等於抄一遍，不是說這樣無益，但是會容易導致動力不足，因為你沒有帶著目標去爬，只是為了學爬蟲而爬，爬蟲雖然是門技術活，但是如果能 建立在興趣愛好或者工作任務的前提下，學習的動力就會強很多。

在確定好爬蟲目標後，接著我就在腦中預想了想要得到什麼樣的結果、如何展示出來、以什麼形式展現這些問題。所以，我在爬取網站之前，就預先構想出了想要的一個結果，大致是下面這張圖的樣子。

目標是利用爬下來的資料，嘗試從不同維度年份、省份、城市去分析全國的股市資訊，然後透過視覺化圖表呈現出來。

拋開資料，可能你會覺得這張圖在排版佈局、色彩搭配、字型文字等方面還挺好看的。這些呢，就跟爬蟲沒什麼關係了，而跟審美有關，提升審美的一種方式是可以透過做 PPT 來實現：

∞ 國外最牛逼的一套 PPT 作品分享給你

所以你看，我們們說著說著就從爬蟲跳到了 PPT，不得不說我此前發的文章鋪墊地很好啊，哈哈。其實，在職場中，你擁有的技能越多越好。

▌直接開始

確定了目標後，第二步就可以開始寫爬蟲了，如果你像我一樣，之前沒有任何程式設計基礎，那我下面說的思路，可能會有用。

剛開始動手寫爬蟲，我只關注最核心的部分，也就是先成功抓到資料，其他的諸如：下載速度、儲存方式、程式碼條理性等先不管，這樣的程式碼簡短易懂、容易上手，能夠增強信心。

所以，我在寫第一遍的時候，只用了 5 行程式碼，就成功抓取了全部所需的資訊，當時的感覺就是很爽，覺得爬蟲不過如此啊，自信心爆棚。

1import pandas as pd
2import csv
3for i in range(1,178):  # 爬取全部頁
4    tb = pd.read_html('%s' % (str(i)))[3] 
5    tb.to_csv(r'1.csv', mode='a', encoding='utf_8_sig', header=1, index=0)

3000+ 上市公司的資訊，安安靜靜地躺在 Excel 中：

▌不斷完善

有了上面的信心後，我開始繼續完善程式碼，因為 5 行程式碼太單薄，功能也太簡單，大致從以下幾個方面進行了完善：

• 增加異常處理

由於爬取上百頁的網頁，中途很可能由於各種問題導致爬取失敗，所以增加了 try except 、if 等語句，來處理可能出現的異常，讓程式碼更健壯。

• 增加程式碼靈活性

初版程式碼由於固定了 URL 引數，所以只能爬取固定的內容，但是人的想法是多變的，一會兒想爬這個一會兒可能又需要那個，所以可以透過修改 URL 請求引數，來增加程式碼靈活性，從而爬取更靈活的資料。

• 修改儲存方式

初版程式碼我選擇了儲存到 Excel 這種最為熟悉簡單的方式，人是一種惰性動物，很難離開自己的舒適區。但是為了學習新知識，所以我選擇將資料儲存到 MySQL 中，以便練習 MySQL 的使用。

• 加快爬取速度

初版程式碼使用了最簡單的單程式爬取方式，爬取速度比較慢，考慮到網頁數量比較大，所以修改為了多程式的爬取方式。

經過以上這幾點的完善，程式碼量從原先的 5 行增加到了下面的幾十行：

 1import requests
 2import pandas as pd
 3from bs4 import BeautifulSoup
 4from lxml import etree
 5import time
 6import pymysql
 7from sqlalchemy import create_engine
 8from urllib.parse import urlencode  # 編碼 URL 字串
 9
10start_time = time.time()  #計算程式執行時間
11def get_one_page(i):
12    try:
13        headers = {
14            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
15        }
16        paras = {
17        'reportTime': '2017-12-31',
18        #可以改報告日期，比如2018-6-30獲得的就是該季度的資訊
19        'pageNum': i   #頁碼
20        }
21        url = ' + urlencode(paras)
22        response = requests.get(url,headers = headers)
23        if response.status_code == 200:
24            return response.text
25        return None
26    except RequestException:
27        print('爬取失敗')
28
29def parse_one_page(html):
30    soup = BeautifulSoup(html,'lxml')
31    content = soup.select('#myTable04')[0] #[0]將返回的list改為bs4型別
32    tbl = pd.read_html(content.prettify(),header = 0)[0]
33    # prettify()最佳化程式碼,[0]從pd.read_html返回的list中提取出DataFrame
34    tbl.rename(columns = {'序號':'serial_number', '股票程式碼':'stock_code', '股票簡稱':'stock_abbre', '公司名稱':'company_name', '省份':'province', '城市':'city', '主營業務收入(201712)':'main_bussiness_income', '淨利潤(201712)':'net_profit', '員工人數':'employees', '上市日期':'listing_date', '招股書':'zhaogushu', '公司財報':'financial_report', '行業分類':'industry_classification', '產品型別':'industry_type', '主營業務':'main_business'},inplace = True)
35    return tbl
36
37def generate_mysql():
38    conn = pymysql.connect(
39        host='localhost',
40        user='root',
41        password='******',
42        port=3306,
43        charset = 'utf8',  
44        db = 'wade')
45    cursor = conn.cursor()
46
47    sql = 'CREATE TABLE IF NOT EXISTS listed_company (serial_number INT(20) NOT NULL,stock_code INT(20) ,stock_abbre VARCHAR(20) ,company_name VARCHAR(20) ,province VARCHAR(20) ,city VARCHAR(20) ,main_bussiness_income VARCHAR(20) ,net_profit VARCHAR(20) ,employees INT(20) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(20) ,financial_report VARCHAR(20) , industry_classification VARCHAR(20) ,industry_type VARCHAR(100) ,main_business VARCHAR(200) ,PRIMARY KEY (serial_number))'
48    cursor.execute(sql)
49    conn.close()
50
51def write_to_sql(tbl, db = 'wade'):
52    engine = create_engine('mysql+pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db))
53    try:
54        tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False)
55        # append表示在原有表基礎上增加，但該表要有表頭
56    except Exception as e:
57        print(e)
58
59def main(page):
60    generate_mysql()
61    for i in range(1,page):  
62        html = get_one_page(i)
63        tbl = parse_one_page(html)
64        write_to_sql(tbl)
65
66# # 單程式
67if __name__ == '__main__':    
68    main(178)
69    endtime = time.time()-start_time
70    print('程式執行了%.2f秒' %endtime)
71
72# 多程式
73from multiprocessing import Pool
74if __name__ == '__main__':
75     pool = Pool(4)
76     pool.map(main, [i for i in range(1,178)])  #共有178頁
77    endtime = time.time()-start_time
78    print('程式執行了%.2f秒' %(time.time()-start_time))

雖然程式碼行數增加了不少，但是這個過程卻覺得很自然，因為每次修改都是針對一個小點，一點點去學，搞懂後新增進來，而如果讓我上來就直接寫出這幾十行的程式碼，我很可能就放棄了。

所以，你可以看到，入門爬蟲是有套路的，最重要的是給自己信心。

以上，我從一個小點結合一個例項，介紹了入門學習爬蟲的方法，希望對你有用。當然還有其他點，之後再說。