Python网络爬虫:高效处理分页数据与Pandas Excel存储实践

花韻仙語
发布: 2025-11-21 13:41:20
原创
848人浏览过

Python网络爬虫:高效处理分页数据与Pandas Excel存储实践

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。

一、理解分页抓取的核心策略

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。

1. 构建分页URL

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"
登录后复制

2. 循环控制与页面请求

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
登录后复制

3. 请求延迟与网站友好性

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。

二、高效数据收集与结构化

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。

1. 使用列表字典存储数据

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)
登录后复制

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"。

Tellers AI
Tellers AI

Tellers是一款自动视频编辑工具,可以将文本、文章或故事转换为视频。

Tellers AI 78
查看详情 Tellers AI

三、使用Pandas将数据保存到Excel

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。

1. pd.DataFrame的创建

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)
登录后复制

2. pd.ExcelWriter的使用

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
登录后复制

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。

四、完整示例代码

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。")
登录后复制

五、注意事项与最佳实践

  1. 遵守网站规则: 在进行任何网络爬取之前,请务必阅读目标网站的robots.txt文件和使用条款,确保您的行为合法合规。
  2. 错误处理: 在代码中加入try-except块来处理网络请求失败、HTML元素缺失等潜在错误,提高程序的健壮性。
  3. 请求延迟: 严格控制请求频率,使用time.sleep()函数添加延迟,避免给目标网站服务器带来过大压力,降低被封禁的风险。
  4. 数据结构化: 优先使用列表字典来收集数据,因为它能自然地映射到Pandas DataFrame的行和列结构。
  5. 一次性写入: 对于分页抓取,通常建议在所有数据收集完毕后,一次性将其写入文件,而不是在循环中频繁地打开和关闭文件或追加数据,这可以提高效率并减少文件操作的复杂性。
  6. index=False: 在使用df.to_excel()时,通常会设置index=False以避免将Pandas DataFrame的默认索引写入Excel文件,除非您确实需要。

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!

最佳 Windows 性能的顶级免费优化软件
最佳 Windows 性能的顶级免费优化软件

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。

下载
来源:php中文网
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn
最新问题
开源免费商场系统广告
热门教程
更多>
最新下载
更多>
网站特效
网站源码
网站素材
前端模板
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新 English
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号 技术交流群
PHP中文网订阅号
每天精选资源文章推送
PHP中文网APP
随时随地碎片化学习

Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号