数据采集

我们上一篇介绍了，如何采集电影评论，看看这个电影好不好看.今天，我们来采集大家熟悉的百度贴吧的排行榜。

发送请求

我们首先确定我们的目标网址，对我们需要获取的数据。

我们要把每一行的数据获取下来，我们接下来用到开发者工具。我们看评论是在什么位置。是不是在网页源代码中。接下来，我们发送请求，获取网页源代码。

我们这里可以看到，我们选择一个 css 选择器，取匹配我们要的数据。

url = f'https://tieba.baidu.com/sign/index?kw=%B0%B2%C7%EC%CA%A6%B7%B6%D1%A7%D4%BA&type=2&pn=1'  # 158
res = requests.get(url)

代码使用requests库的get()函数来请求这个 URL，并将结果存储在变量res中。

解析数据

我们还可以获取其他信息，比如讲，排名，学校，人数，签到率之类的。

selector = parsel.Selector(res.text)
info_lists = selector.css('.j_rank_row')

这段代码首先导入了parsel库，然后使用Selector函数创建了一个选择器对象selector。res.text是从响应中获取的文本内容，css()方法用于选择 CSS 样式，.j_rank_row是 CSS 选择器，用于选择所有.j_rank_row类的元素。

接下来，代码使用selector.css()方法选择所有.j_rank_row类的元素，并将它们存储在info_lists变量中。这些元素将成为 BeautifulSoup 对象soup的一部分。

获取内容

上面我们已经得到了.j_rank_row位置，接下来，就是把内容获取下来。我们看看代码怎么写。

for info_list in info_lists:    rank = info_list.css('.rank_index div::text').get()    # print(rank)    name = info_list.css('.forum_name a::text').get()    signin = info_list.css('.forum_sign_num::text').get()    theTotalNumberOf = info_list.css('.forum_member::text').get()    signInToRate = info_list.css('.forum_sign_rate::text').get()

这段代码将遍历info_lists列表中的每个元素，并使用 CSS 选择器选择.rank_index类的元素，然后使用.rank_index div::text选择.rank_index类的文本内容，使用.forum_name a::text选择.forum_name类的文本内容，使用.forum_sign_num::text选择.forum_sign_num类的文本内容，使用.forum_member::text选择.forum_member类的文本内容，使用.forum_sign_rate::text选择.forum_sign_rate类的文本内容。

然后，代码将获取每个元素的.rank_index div::text文本内容，并使用.get()方法获取其中的.rank_index值。接下来，代码将获取每个元素的.forum_name a::text文本内容，并使用.get()方法获取其中的.forum_name值。接下来，代码将获取每个元素的.forum_sign_num::text文本内容，并使用.get()方法获取其中的.forum_sign_num值。接下来，代码将获取每个元素的.forum_member::text文本内容，并使用.get()方法获取其中的.forum_member值。最后，代码将获取每个元素的.forum_sign_rate::text文本内容，并使用.get()方法获取其中的.forum_sign_rate值。

获取内容

我们把获取到的内容保存成 csv 文件，之前我们说了很多遍，直接上代码。

f = open('百度贴吧排行榜.csv', mode='a', encoding='utf-8_sig', newline='')csv_writer = csv.DictWriter(f, fieldnames=['排名', '学校', '签到人数', '吧会员数', '签到率'])
csv_writer.writeheader()

这段代码打开了一个名为“百度贴吧排行榜.csv”的文件，并创建了一个名为“csv_writer”的 CSV 写入器对象。mode='a'参数指定文件以追加模式打开，encoding='utf-8_sig'参数指定文件编码为 UTF-8-sig，newline=''参数指定行尾符为空字符串。

然后，csv_writer.writeheader()方法被调用，它将写入 CSV 文件的标题行。这些标题行包括排名、学校、签到人数、吧会员数和签到率。

我们把上面的数据保存成字典的格式，写入 csv 文件。

dit = {    '排名': rank,    '学校': name,    '签到人数': signin,    '吧会员数': theTotalNumberOf,    '签到率': signInToRate,
}# print(dit)csv_writer.writerow(dit)

这段代码创建了一个字典dit，其中包含了每个元素的值。然后，它使用csv_writer.writerow()方法将字典写入 CSV 文件中。

具体来说，这段代码首先打开了一个名为“百度贴吧排行榜.csv”的文件，并创建了一个名为“csv_writer”的 CSV 写入器对象。然后，它使用csv_writer.writeheader()方法写入了 CSV 文件的标题行，包括排名、学校、签到人数、吧会员数和签到率。最后，它使用csv_writer.writerow()方法将字典dit写入 CSV 文件中。

总结

本文介绍了如何采集百度贴吧排行榜的数据。首先，我们确定了目标网址并使用开发者工具获取了网页源代码。然后，我们选择了一个 CSS 选择器并使用requests.get()函数请求了目标网址。接下来，我们使用parsel库解析了网页源代码，并使用Selector函数选择了所有包含评论的.j_rank_row类的元素。最后，我们使用info_lists变量存储了每个元素的值，并使用print()函数将数据打印出来。