大桥数据，国外大桥排行榜数据清单，Python爬虫120例第32例
【摘要】 《爬虫 120 例》专栏第 32 例，本例开始学习 PyQuery 解析框架，该解析对从前端转 Python 的朋友非常友好，因为它模拟的是 JQuery 操作。正式开始前，先安装 pyquery 到本地开发环境中。命令如下：pip install pyquery ，我使用的版本为 1.4.3。基本使用如下所示，看懂也就掌握了 5 成了，就这么简单。from pyquery import P...
《爬虫 120 例》专栏第 32 例，本例开始学习 PyQuery 解析框架，该解析对从前端转 Python 的朋友非常友好，因为它模拟的是 JQuery 操作。
正式开始前，先安装 pyquery 到本地开发环境中。命令如下：pip install pyquery ，我使用的版本为 1.4.3。
基本使用如下所示，看懂也就掌握了 5 成了，就这么简单。
from pyquery import PyQuery as pq
s = '<html><title>橡皮擦的PyQuery小课堂</title></html>'
doc = pq(s)
print(doc('title'))
输出如下内容：
<title>橡皮擦的PyQuery小课堂</title>
也可以直接将要解析的网址 URL 传递给 pyquery 对象，代码如下所示：
from pyquery import PyQuery as pq
url = "https://www.bilibili.com/"
doc = pq(url=url,encoding="utf-8")
print(doc('title')) # <title>哔哩哔哩 (゜-゜)つロ 干杯~-bilibili</title>
相同的思路，还可以通过文件初始化 pyquery 对象，只需要修改参数为 filename 即可。
基础铺垫过后，就可以进入到实操环节，下面是本次要抓取的目标案例分析。
目标站点分析
本次要采集的为 ：List of Highest International Bridges（最高国际桥梁名单），页面呈现的数据如下所示。
在翻阅过程中发现多数都是中国设计的，果然我们基建世界第一。
翻页规则如下所示：
http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_1
http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_2
# 实测翻到第 13 页数据就空了，大概1200座桥梁
http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_13
由于目标数据以表格形式存在，故直接按照表头提取数据即可。
Rank，Name，Height (meters / feet)，Main Span Length，Completed，Location，Country
编码时间
正式编码前，先拿第一页进行练手。
from pyquery import PyQuery as pq
url = "http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_1"
doc = pq(url=url, encoding='utf-8')
print(doc('title'))
def remove(str):
return str.replace("<br/>", "").replace("\n", "")
# 获取所有数据所在的行，下面使用的是 css 选择器，称作 jquery 选择器也没啥问题
items = doc.find('table.wikitable.sortable tr').items()
for item in items:
td_list = item.find('td')
rank = td_list.eq(1).find("span.sorttext").text()
name = td_list.eq(2).find("a").text()
height = remove(td_list.eq(3).text())
length = remove(td_list.eq(4).text())
completed = td_list.eq(5).text()
location = td_list.eq(6).text()
country = td_list.eq(7).text()
print(rank, name, height, length, completed, location, country)
代码整体写下来，发现依旧是对于选择器的依赖比较大，也就是需要熟练的操作选择器，选中目标元素，方便获取最终的数据。
将上述代码扩大到全部数据，修改成迭代采集。
from pyquery import PyQuery as pq
import time
def remove(str):
return str.replace("<br/>", "").replace("\n", "").replace(",", "，")
def get_data(page):
url = "http://www.highestbridges.com/wiki/index.php?title=List_of_Highest_International_Bridges/Page_{}".format(
page)
print(url)
doc = pq(url=url, encoding='utf-8')
print(doc('title'))
# 获取所有数据所在的行，下面使用的是 css 选择器，称作 jquery 选择器也没啥问题
items = doc.find('table.wikitable.sortable tr').items()
for item in items:
td_list = item.find('td')
rank = td_list.eq(1).find("span.sorttext").text()
name = remove(td_list.eq(2).find("a").text())
height = remove(td_list.eq(3).text())
length = remove(td_list.eq(4).text())
completed = remove(td_list.eq(5).text())
location = remove(td_list.eq(6).text())
country = remove(td_list.eq(7).text())
data_tuple = (rank, name, height, length, completed, location, country)
save(data_tuple)
def save(data_tuple):
try:
my_str = ",".join(data_tuple) + "\n"
# print(my_str)
with open(f"./data.csv", "a+", encoding="utf-8") as f:
f.write(my_str)
print("写入完毕")
except Exception as e:
pass
if __name__ == '__main__':
for page in range(1, 14):
get_data(page)
time.sleep(3)
其中发现存在英文的逗号，统一进行修改，即 remove(str) 函数的应用。
收藏时间
今天是持续写作的第 217 / 365 天。
可以关注，点赞、评论、收藏。
【版权声明】本文为华为云社区用户原创内容，未经允许不得转载，如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）