小猪的Python学习之旅 —— 14.爬虫实战：抓取豆瓣音乐Top 250数据存到Excel中

Python

一句话概括本文：

利用Excel存储爬到的抓取豆瓣音乐Top 250数据信息，还有读Excel。

引言：

失踪人口回归，最近比较迷茫，不知道是回头深究Android，还是继续
学Python，Android是旧爱，Python是新欢；Android应用层折腾来
折腾去，无非：改UI，写控件，换下库，换下架构...以前一直想着写
自己的项目，然后各种加东西优化，然后发现自己却没有了当年的热情，
唉！相比Python，随手就是一爬虫，批处理类的脚本，实用性高太多，
只是Python没有引路人，都是自己一点点摸索，见步走步吧！

之前在写爬小姐姐脚本时候，就遇到过一个如何存储爬取到数据的问题，
比如一个系列的套图链接应该放到特定的文件夹，我之前的操作都是
通过下面这样的格式写入到一个txt文件中：目录~链接
然后读取txt文件，获得字符串，然后通过split("~")来进行分隔，
split("~")[0]是目录，split("~")[1]是路径，挺low的，
如果是涉及到三个维度以上的再拼多一个~，在上上一节抓
半次元coser的时候就遇到一个恶心的问题，符号都他么被用了，
难以分隔，一个个特殊字符试，后面试到Θ才可以..

迫切需要一个东西来存我们抓取到的数据，当然最好用：数据库
但是考虑到学习成本(主要是我不熟！)，先通过一个简单的东西存起来。

最简单的肯定是通过Excel表格啊，最直观了，非编程人员也能看懂！
不多说，开始本节内容～ 本节抓取例子：豆瓣音乐 Top 250
链接：https://music.douban.com/top250

1.编写抓数据脚本

依次校验：

• 1.数据能在Network选项卡找到，非JS动态加载，直接处理结果就好
• 2.点击第二页，选中XHR，没有东东，不是Ajax动态加载

链接规则：

第一页：https://music.douban.com/top250?start=0
第二页：https://music.douban.com/top250?start=25
第三页：https://music.douban.com/top250?start=50

链接规则显而易见，每25条一页，0，25,50,75...225

请求头：

就一个：Host:music.douban.com

模拟请求的套路摸清了，接下来就是处理网页拿到想要的数据了：
看下Element，不难发现数据都单独放在一个个table里：

点开其中一个：

先捋下我们想采集到的数据：

图片链接，歌名，歌手，发行时间，分类，评分，评分人数，歌曲详情页

然后就是慢慢抠数据了，自己私下抠，不会抠找以前文章看，
这里直接给出代码：

看下控制台打印出来的信息：

可以，没毛病，接下来看下怎么把数据写到excel表格里～

2.如何将数据写入到Excel中

Step 1：安装库，操作Excel，你需要两个库：xlwt(写Excel) 和 xlrd(读Excel)
命令行pip安装一波。

sudo pip3 install xlwt
sudo pip3 install xlrd

Step 2：熟悉几个基本函数

写入Excel：

• xlwt.Workbook()：创建一个工作薄
• 工作薄对象.add_sheet(cell_overwrite_ok=True)：添加工作表，括号里是可选
  参数，用于确认同一个cell单元是否可以重设值
• 工作表对象.write(行号，列号，插入数据，风格)，第四个参数可选
  举个简单例子：插入这样的数据：

sheet.write(0,0,"姓名")
sheet.write(0,1,"学号")
sheet.write(1,0,"小猪")
sheet.write(1,1,"No1")

得到的表格：

• 工作薄对象.save(Excel文件名)：保存到Excel文件中

读取Excel：

• xlrd.open_workbook()：读取一个Excel文件获得一个工作薄对象
• 工作薄对象.sheets()[0]：根据索引获得工作薄里的一个工作表
• 工作表对象.nrows：获得行数
• 工作表对象.ncols：获得列数
• 工作表对象.row_values(pos)：读取某一行的数据，返回结果是列表类型的

3.编写一个Excel协助类

基本语法了解得差不多了，接着我们来写一个工具类，来把我们爬虫
爬取到的数据写入到Excel表格里，四个方法：
style：根据传入的字体名称，高度，是否加粗，返回一个Style样式
__init__：完成Excel表的一些初始化操作，初始化表头
insert_data：把爬取到的数据插入到Excel里的方法
read_data：读取Excel里数据的方法

接着一步步来，先是style方法：

接着是__init__方法，判断Excel文件是否存在，不存在则新建并进行初始化

再接着是insert_data：

最后是read_data：

代码不算复杂，接着写下调用代码试试：

加一个打印data_group的方法，看下抓取的数据，运行下：

没毛病，圈住哪里[[，这里想表达结果是一个大列表嵌套多个列表！
再接着添加下述代码：

执行后可以看到，生成了一个dbyy.xlsx的文件，打开看看：

啧啧，写入成功，美滋滋！
再接着把无关代码注释掉，调用下读取Excel的方法：

读写都没问题，嘤嘤嘤～

4.小结

本节讲解了一波如何把爬取到的数据存到Excel表里，以及读取Excel表里的数据，
虽然没有数据库高端，但是比起之前用分隔符分隔多中类型的数据，用到的时候
split()好多了，而且非开发者也能直接看懂，除此之外，哪天说不定可以撩到
一些文员小姐姐(编写批处理Excel表的脚本)，除此之外还可以做些词频统计类
的脚本玩玩，最后献上哲♂学启蒙老师照片来结束本节内容，愿天堂没有摔跤：

附：具体实现代码(其实都可以在https://github.com/coder-pig/ReptileSomething 找到)

import re
import requests
import xlwt
import xlrd
import tools as t
rate_count_pattern = re.compile("(\d*人评价)", re.S)  # 获取评分人数的正则
base_url = 'https://music.douban.com/top250'
save_file = 'dbyy.xlsx'
# 解析网页获得数据的方法
def parse_url(offset):
    resp = requests.get(base_url, params={'page': offset})
    print("解析：" + resp.url)
    result = []
    if resp.status_code == 200:
        soup = t.get_bs(resp.content)
        tables = soup.select('table[width="100%%"]')
        for table in tables:
            a = table.find('a')
            detail_url = a['href']  # 歌曲详情页面
            img_url = a.img['src']  # 图片url
            music_name = a.img['alt']  # 歌曲名
            p = table.find('p')
            data_split = p.get_text().split("/")
            singer = data_split[0].strip()  # 歌手
            public_date = data_split[1].strip()
            category = ""  # 分类
            for data in data_split[2:]:
                category += data.strip() + "/"
            div = table.find('div', class_="star clearfix")
            score = div.select('span.rating_nums')[0].text  # 评分
            rate_count = rate_count_pattern.search(div.select('span.pl')[0].get_text()).group(0)  # 评分人数
            result.append([img_url, music_name, singer, public_date, category, score, rate_count, detail_url])
    return result
class ExcelHelper:
    def __init__(self):
        if not t.is_dir_existed(save_file, mkdir=False):
            # 1.创建工作薄
            self.workbook = xlwt.Workbook()
            # 2.创建工作表，第二个参数用于确认同一个cell单元是否可以重设值
            self.sheet = self.workbook.add_sheet(u"豆瓣音乐Top 250", cell_overwrite_ok=True)
            # 3.初始化表头
            self.headTitles = [u'图片链接', u'歌名', u'歌手', u'发行时间', u'分类', u'评分', u'评分人数', u'歌曲详情页']
            for i, item in enumerate(self.headTitles):
                self.sheet.write(0, i, item, self.style('Monaco', 220, bold=True))
            self.workbook.save(save_file)
    # 参数依次是：字体名称，字体高度，是否加粗
    def style(self, name, height, bold=False):
        style = xlwt.XFStyle()  # 赋值style为XFStyle()，初始化样式
        font = xlwt.Font()  # 为样式创建字体样式
        font.name = name
        font.height = height
        font.bold = bold
        return style
    # 往单元格里插入数据
    def insert_data(self, data_group):
        try:
            xlsx = xlrd.open_workbook(save_file)  # 读取Excel文件
            table = xlsx.sheets()[0]  # 根据索引获得表
            row_count = table.nrows  # 获取当前行数，新插入的数据从这里开始
            count = 0
            for data in data_group:
                for i in range(len(data)):
                    self.sheet.write(row_count + count, i, data[i])
                count += 1
        except Exception as e:
            print(e)
        finally:
            self.workbook.save(save_file)
    # 读取Excel里的数据
    def read_data(self):
        xlsx = xlrd.open_workbook(save_file)
        table = xlsx.sheets()[0]
        nrows = table.nrows  # 行数
        ncols = table.ncols  # 列数
        # 从第一行开始，0是表头
        for i in range(1, nrows):
            # 读取某行数据
            row_value = table.row_values(i)
            print(row_value)
if __name__ == '__main__':
    offsets = [x for x in range(0, 250, 25)]
    data_group = []
    for offset in offsets:
        data_group += parse_url(offset)
    print(data_group)
    excel = ExcelHelper()
    excel.insert_data(data_group)
    excel.read_data()

来啊，Py交易啊

想加群一起学习Py的可以加下，智障机器人小Pig，验证信息里包含：
Python，python，py，Py，加群，交易，屁眼 中的一个关键词即可通过；

验证通过后回复 加群 即可获得加群链接(不要把机器人玩坏了！！！)～～～
欢迎各种像我一样的Py初学者，Py大神加入，一起愉快地交流学♂习，van♂转py。