Python爬虫进阶教程(五):数据存储

本篇主要介绍，爬取html数据后，将html的正文内容存储为json或csv格式。

json格式存储

选定要爬取的网站后，我们利用之前学过的内容，如：Beautiful Soup、xpath等方式解析，来获取我们希望得到的内容。

获取数据

首先使用urllib访问页面https://www.lagou.com/zhaopin/Python/?labelWords=label

获取html内容，代码如下：

from urllib import request
?
try:
 url = 'https://www.lagou.com/zhaopin/Python/?labelWords=label'
 header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
 req = request.Request(url, headers=header)
 response = request.urlopen(req).read().decode('utf-8')
except request.URLError as e:
 if hasattr(e, 'reason'):
 print(e.reason)
 elif hasattr(e, 'code'):
 print(e.code)

通过上面的代码获取了html内容，接下来就要分析html来提取我们需要的内容了。

打开拉钩页面，使用ctrl+ F12打开火狐浏览器工具，可以看到我们想要获取的内容，职位、工作地点、薪资、发布的公司等信息都在一个div中，如下图：

下一步我们就使用之前介绍过的Beautiful Soup获取这个div内容，同时也可以获取我们需要的内容，通过工具我们可以看到我们需要的内容所在的标签，见下图：

# 生成soup实例
soup = BeautifulSoup(response, 'lxml')
# 获取class=‘list_item_top’的div标签
divlist = soup.find_all('div', class_='list_item_top')
# 定义空列表
content = []
# 通过循环，获取需要的内容
for list in divlist:
 # 职位名称
 job_name = list.find('h3').string
 # 职位详细页面
 link = list.find('a', class_="position_link").get('href')
 # 招聘的公司
 company = list.find('div', class_='company_name').find('a').string
 # 薪水
 salary = list.find('span', class_='money').string
 print(job_name, company, salary, link)
 content.append({'job': job_name, 'company': company, 'salary': salary, 'link': link})

都是通过Beautiful Soup的方法获取的内容，如果不懂，大家可以翻翻之前的工具篇。输出的内容如下：

Python 开发工程师 还呗-智能信贷领先者 10k-15k https://www.lagou.com/jobs/2538412.html
Python开发工程师 天玑科技 10K-20K https://www.lagou.com/jobs/3608088.html
Python 兜乐科技 6k-12k https://www.lagou.com/jobs/4015725.html
Python 妙计旅行 8k-16k https://www.lagou.com/jobs/3828627.html
Python工程师 洋钱罐 25k-35k https://www.lagou.com/jobs/3852092.html
Python软件开发工程师 深信服科技集团 15k-20k https://www.lagou.com/jobs/4009780.html
Python开发 问卷网@爱调研 15k-25k https://www.lagou.com/jobs/3899604.html
Python Veeva 25k-35k https://www.lagou.com/jobs/3554732.html
python工程师 多麦 10k-20k https://www.lagou.com/jobs/3917781.html
python工程师 北蚁 8k-12k https://www.lagou.com/jobs/3082699.html
python研发工程师 数美 15k-30k https://www.lagou.com/jobs/3684787.html
python开发工程师 紫川软件 12k-19k https://www.lagou.com/jobs/3911802.html
python开发工程师 老虎证券 20k-40k https://www.lagou.com/jobs/3447959.html
Python开发 印孚瑟斯 10k-20k https://www.lagou.com/jobs/3762196.html
Python工程师 江苏亿科达 10k-20k https://www.lagou.com/jobs/3796922.html

好，数据有了，就差存储了。

数据存储（json）

python通过json模块对数据进行编码和解码。编码过程是，通过json模块的dumps和dump对数据进行python对象到json对象的转换，解码过程是，通过json模块的loads和load对数据进行json对象到python对象的转换。

编码

dump将python 对象序列化为一个JSON格式的流，存储到文件，转换时类型变化如下：

json.dump(obj, fp, *, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, default=None, sort_keys=False, **kw)

dumps将obj序列化为JSON格式的str

json.dumps(obj, *, skipkeys=False, ensure_ascii=True, check_circular=True, allow_nan=True, cls=None, indent=None, separators=None, default=None, sort_keys=False, **kw)

解码

load对Python对象进行反序列化，可以从文件读取

json.load(fp, *, cls=None, object_hook=None, parse_float=None, parse_int=None, parse_constant=None, object_pairs_hook=None, **kw)

oads对Python对象进行反序列化

json.loads(s, *, encoding=None, cls=None, object_hook=None, parse_float=None, parse_int=None, parse_constant=None, object_pairs_hook=None, **kw)

了解了json操作，现在就可以把之前获取的拉钩数据存储为json了，见下面代码：

with open('lagou.json', 'w') as fp:
 # indent表示缩进，如果输入这个参数，json的数据会按照找个缩进存储
 # 如果不设置，则按最紧凑方式存储
 json.dump(content, fp=fp, indent=4)

好了，存储为json格式就说到这里了。完整代码如下：

import json
from bs4 import BeautifulSoup
from urllib import request
?
try:
 url = 'https://www.lagou.com/zhaopin/Python/?labelWords=label'
 header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
 req = request.Request(url, headers=header)
 response = request.urlopen(req).read().decode('utf-8')
except request.URLError as e:
 if hasattr(e, 'reason'):
 print(e.reason)
 elif hasattr(e, 'code'):
 print(e.code)
?
# 生成soup实例
soup = BeautifulSoup(response, 'lxml')
# 获取class=‘list_item_top’的div标签
divlist = soup.find_all('div', class_='list_item_top')
# 定义空列表
content = []
# 通过循环，获取需要的内容
for list in divlist:
 # 职位名称
 job_name = list.find('h3').string
 # 职位详细页面
 link = list.find('a', class_="position_link").get('href')
 # 招聘的公司
 company = list.find('div', class_='company_name').find('a').string
 # 薪水
 salary = list.find('span', class_='money').string
 print(job_name, company, salary, link)
 content.append({'job': job_name, 'company': company, 'salary': salary, 'link': link})
?
with open('lagou.json', 'w') as fp:
 # indent表示缩进，如果输入这个参数，json的数据会按照找个缩进存储
 # 如果不设置，则按最紧凑方式存储
 json.dump(content, fp=fp, indent=4)

csv格式存储

所谓的CSV(Comma Separated Values)格式是电子表格和数据库最常用的导入和导出格式。

python的csv模块实现类以csv格式读取和写入表格数据。它允许程序员说，“以Excel的格式编写这些数据”，或者“从Excel生成的文件中读取数据”，而不知道Excel使用的CSV格式的详细信息。程序员还可以描述其他应用程序所理解的CSV格式，或者定义他们自己的专用CSV格式。

写数据到csv文件中

# -*- coding: utf-8 -*-
import csv
?
# 定义第一行
header = ['id', 'name']
# 2条数据
d1 = [1, "xiaoming"]
d2 = [2, "lucy"]
?
# 打开csv文件，newline作用是去掉空行，不加结果之间会有一个空行
with open('test.csv', 'w', newline='') as f:
 # 建立写入对象
 writer = csv.writer(f)
 # 写入数据
 writer.writerow(header)
 writer.writerow(d1)
 writer.writerow(d2)

生成的csv文件内容如下：

id,name
1,xiaoming
2,lucy

写字典到csv文件

import csv
?
with open('names.csv', 'w', newline='') as csvfile:
 # 定义名称，也就是header
 fieldnames = ['first_name', 'last_name']
 # 直接将fieldnames写入,写入字典使用DictWriter方法
 writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
 # 调用writeheader方法加入header
 writer.writeheader()
 # 写入字典数据
 writer.writerow({'first_name': 'Baked', 'last_name': 'Beans'})
 writer.writerow({'first_name': 'Lovely', 'last_name': 'Spam'})
 writer.writerow({'first_name': 'Wonderful', 'last_name': 'Spam'})

获取的csv文件内容如下：

first_name,last_name
Baked,Beans
Lovely,Spam
Wonderful,Spam

读取csv文件

import csv
with open('xingming.csv', 'r') as f:
 # 创建reader对象
 reader = csv.reader(f)
 # reader是可迭代对象，可以通过for循环获取内容
 for row in reader:
 print(row)

结果如下：

['id', 'name']
['1', 'xiaoming']
['2', 'lucy']

以字典形式读入csv文件

import csv
with open('names.csv', 'r') as f:
 # 定义字典阅读对象
 reader = csv.DictReader(f)
 # 打印第一行名称
 print(reader.fieldnames)
 # 循环打印字典内容
 for row in reader:
 print(row['first_name'], row['last_name'])

输出结果：

['first_name', 'last_name']
Baked Beans
Lovely Spam
Wonderful Spam

所以爬取拉钩网数据，如果存储到csv文件的代码如下：

import csv
from bs4 import BeautifulSoup
from urllib import request
?
try:
 url = 'https://www.lagou.com/zhaopin/Python/?labelWords=label'
 header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:57.0) Gecko/20100101 Firefox/57.0'}
 req = request.Request(url, headers=header)
 response = request.urlopen(req).read().decode('utf-8')
except request.URLError as e:
 if hasattr(e, 'reason'):
 print(e.reason)
 elif hasattr(e, 'code'):
 print(e.code)
?
# 生成soup实例
soup = BeautifulSoup(response, 'lxml')
# 获取class=‘list_item_top’的div标签
divlist = soup.find_all('div', class_='list_item_top')
# 定义空列表
content = []
# 通过循环，获取需要的内容
for list in divlist:
 # 职位名称
 job_name = list.find('h3').string
 # 职位详细页面
 link = list.find('a', class_="position_link").get('href')
 # 招聘的公司
 company = list.find('div', class_='company_name').find('a').string
 # 薪水
 salary = list.find('span', class_='money').string
 # print(job_name, company, salary, link)
 content.append({'job': job_name, 'company': company, 'salary': salary, 'link': link})
?
with open('lagou.csv', 'a', newline='') as f:
 # 定义header
 fieldnames = ['job', 'company', 'salary', 'link']
 # 通过DictWriter方法写入字典
 writer = csv.DictWriter(f, fieldnames=fieldnames)
 # 写入header
 writer.writeheader()
 # 循环获取content内容，写入csv文件
 for row in content:
 writer.writerow(row)

获取的数据如下：

突然发现今天的例子还是存为csv格式合适，找工作新技能，你get了吗~！