大桥数据，国外大桥排行榜数据清单，Python爬虫120例第32例

“Offer 驾到，掘友接招！我正在参与2022春招打卡活动，点击查看活动详情。”

《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'))
复制代码

输出如下内容：

<title>橡皮擦的PyQuery小课堂</title>
复制代码

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>
复制代码

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。

在这里插入图片描述

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
复制代码

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)
复制代码

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)
复制代码

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。