python爬取bilibili网页排名,视频,播放量,点赞量,链接等内容并存储csv文件中

首先要了解html标签，标签有主有次，大致了解以一下，主标签是根标签，也是所有要爬取的标签的结合体

先了解一下待会要使用代码属性：

#获取属性
a.attrs  获取a所有的属性和属性值，返回一个字典
a.attrs[\'href\']   获取href属性
a[\'href\']   也可简写为这种形式
 
#获取内容
a.string      获取a标签的直系文本
注意：如果标签还有标签，那么string获取到的结果为None，而其它两个，可以获取文本内容
a.text　　　　 这是属性,获取a子类的所有文本
a.get_text()  这是方法,获取a标签子类的所有文本
 
#find   主要用于找到第一个符合要求的标签
a.find(\'a\')              找到第一个符合要求的
a.find(\'a\', title=\"xxx\") 具有title=a属性的
a.find(\'a\', alt=\"xxx\")
a.find(\'a\', class_=\"xxx\")
a.find(\'a\', id=\"xxx\")
 
#find_all  用于找到所有符合要求的标签
a.find_all(\'a\')
a.find_all([\'a\',\'b\']) 找到所有的a和b标签
a.find_all(\'a\', limit=2)  限制前两个
 
#根据选择器选择指定的内容
a.select(\'#feng\')

我们今天要爬取的是bilibili网站，主要是作为一个练习，也没有太主要的作用，爬取的内容分别是

排名、视频名、视频集数、播放量、点赞量及视频链接，爬取完后要存储到csv文件内

 直接上代码：

# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
 
r = requests.get(\'https://www.bilibili.com/v/popular/rank/guochan\')   #要爬取的网站链接
html = r.content
soup = BeautifulSoup(html,\'html.parser\')    #html.parser是解析器
div_people_list = soup.find(\'div\', attrs={\'class\': \'rank-list-wrap\'})
div_people_list_list = div_people_list.find(\'ul\', attrs={\'class\': \'rank-list pgc-list\'})
a_s = div_people_list.find_all(\'li\', attrs={\'class\': \'rank-item\'})
for a in a_s:    #排名
    for b in a.find_all(\'div\', attrs={\'class\': \'info\'}):
        for c in b.find_all(\'a\', attrs={\'target\': \'_blank\'}):     #名称及链接
            for d in b.find(\'span\', attrs={\'class\': \'data-box\'}):   #获取视频集
                for e in b.find_all(\'span\', attrs={\'class\': \'data-box\'})[1:][:1]:  #循环播放数
                    for f in b.find_all(\'span\', attrs={\'class\': \'data-box\'})[2:][:2]:  # 循环点赞量
                        web = a[\'data-rank\']  # 排名
 
                        name = c.string  # 名称
 
                        name_2 = d.string  # 全集
                        name_2_1 = name_2.replace(\" \", \"\").replace(\"\\t\", \"\").strip()  # 去除多余空格
 
                        name_3 = e.get_text()  # 播放量
                        data_1 = name_3.replace(\" \", \"\").replace(\"\\n\", \"\").replace(\"\\t\", \"\")
 
                        name_4 = f.get_text()  # 点赞量
                        data_2 = name_4.replace(\" \", \"\").replace(\"\\n\", \"\").replace(\"\\t\", \"\")
 
                        url = c[\'href\']  # 链接
                        print(web + \'\\t\' + name + \'\\t\\t\\t\' + name_2_1 + \'\\t\\t\\t\\t\' + data_1 + \'\\t\\t\\t\\t\'+ data_2+\'\\t\\t\\t\\t\' + f\'http:{url}\')

效果如下：

其实我在做一个爬虫的时候遇到很多的错误，就是html里的标签重复，需要使用[1:][:1]来选择标签，有的时候不是难，就是项目做的少

 我们现在来加上这个代码，把爬取的内容保存下来：

import csv
f = open(\'爬取文件.csv\',\'w\',encoding=\'gbk\',newline=\'\')  #写入文件
#基于文件对象构建 csv写入对象
csv_writer = csv.writer(f)
csv_writer.writerow([\'排行\',\'影片\', \'篇集\',\'播放量\',\'点赞量\',\'视频链接\'])
csv_writer.writerow([web, name, n,d,g,f\'http:{url}\'])

可以看到内容都存储到了csv文件内了，不是很乱，和刚刚dos窗口里的相比好了很多

完整代码如下：

# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
import csv
 
f = open(\'爬取文件.csv\',\'w\',encoding=\'gbk\',newline=\'\')  #写入文件
#基于文件对象构建 csv写入对象
csv_writer = csv.writer(f)
csv_writer.writerow([\'排行\',\'影片\', \'篇集\',\'播放量\',\'点赞量\',\'视频链接\'])
 
r = requests.get(\'https://www.bilibili.com/v/popular/rank/guochan\')   #要爬取的网站链接
html = r.content
soup = BeautifulSoup(html,\'html.parser\')    #html.parser是解析器
div_people_list = soup.find(\'div\', attrs={\'class\': \'rank-list-wrap\'})
div_people_list_list = div_people_list.find(\'ul\', attrs={\'class\': \'rank-list pgc-list\'})
 
a_s = div_people_list.find_all(\'li\', attrs={\'class\': \'rank-item\'})
#a_s_2 = a_s.find_all(\'div\', attrs={\'class\': \'info\'})
for a in a_s:    #排名
    for b in a.find_all(\'div\', attrs={\'class\': \'info\'}):
        for c in b.find_all(\'a\', attrs={\'target\': \'_blank\'}):     #名称及链接
            for d in b.find(\'span\', attrs={\'class\': \'data-box\'}):   #获取视频集
                for e in b.find_all(\'span\', attrs={\'class\': \'data-box\'})[1:][:1]:  #循环播放数
                    for f in b.find_all(\'span\', attrs={\'class\': \'data-box\'})[2:][:2]:  # 循环点赞量
                        web = a[\'data-rank\']  # 排名
 
                        name = c.string  # 名称
 
                        name_2 = d.string  # 全集
                        name_2_1 = name_2.replace(\" \", \"\").replace(\"\\t\", \"\").strip()  # 去除多余空格
 
                        name_3 = e.get_text()  # 播放量
                        data_1 = name_3.replace(\" \", \"\").replace(\"\\n\", \"\").replace(\"\\t\", \"\")
 
                        name_4 = f.get_text()  # 点赞量
                        data_2 = name_4.replace(\" \", \"\").replace(\"\\n\", \"\").replace(\"\\t\", \"\")
 
                        url = c[\'href\']  # 链接
 
 
                        n = name_2.replace(\" \", \"\").replace(\"\\t\", \"\").strip()  # 去除多余空格
 
                        d = name_3.replace(\" \", \"\").replace(\"\\t\", \"\")
 
                        g = name_4.replace(\" \", \"\").replace(\"\\t\", \"\")
                        #构建列表头
                        csv_writer.writerow([web, name, n,d,g,f\'http:{url}\'])