Python微医挂号网医生数据抓取

Python  /  管理员 发布于 7年前   155

1. 写在前面

今天要抓取的一个网站叫做微医网站，地址为 https://www.guahao.com ，我们将通过python3爬虫抓取这个网址，然后数据存储到CSV里面，为后面的一些分析类的教程做准备。本篇文章主要使用的库为pyppeteer 和 pyquery

首先找到 医生列表页

https://www.guahao.com/expert/all/全国/all/不限/p5 

这个页面显示有 75952 条数据 ，实际测试中，翻页到第38页，数据就加载不出来了，目测后台程序猿没有把数据返回，不过为了学习，我们忍了。

2. 页面URL

https://www.guahao.com/expert/all/全国/all/不限/p1
https://www.guahao.com/expert/all/全国/all/不限/p2
...
https://www.guahao.com/expert/all/全国/all/不限/p38

数据总过38页，量不是很大，咱只需要随便选择一个库抓取就行，这篇博客，我找了一个冷门的库
pyppeteer 在使用过程中，发现资料好少，很尴尬。而且官方的文档写的也不好，有兴趣的可以自行去看看。关于这个库的安装也在下面的网址中。

https://miyakogi.github.io/pyppeteer/index.html

最简单的使用方法，在官方文档中也简单的写了一下，如下，可以把一个网页直接保存为一张图片。

import asynciofrom pyppeteer import launchasync def main():  browser = await launch() # 运行一个无头的浏览器  page = await browser.newPage() # 打开一个选项卡  await page.goto('http://www.baidu.com') # 加载一个页面  await page.screenshot({'path': 'baidu.png'}) # 把网页生成截图  await browser.close()asyncio.get_event_loop().run_until_complete(main()) # 异步

我整理了下面的一些参考代码，你可以 做一些参考。

browser = await launch(headless=False) # 可以打开浏览器await page.click('#login_user') # 点击一个按钮await page.type('#login_user', 'admin') # 输入内容await page.click('#password') await page.type('#password', '123456')await page.click('#login-submit')await page.waitForNavigation() # 设置浏览器窗口大小await page.setViewport({  'width': 1350,  'height': 850})content = await page.content() # 获取网页内容cookies = await page.cookies() # 获取网页cookies

3. 爬取页面

运行下面的代码，你就可以看到控制台不断的打印网页的源码，只要获取到源码，就可以进行后面的解析与保存数据了。如果出现控制不输出任何东西的情况，那么请把下面的

await launch(headless=True) 修改为 await launch(headless=False)

import asynciofrom pyppeteer import launchclass DoctorSpider(object):  async def main(self, num):    try:      browser = await launch(headless=True)      page = await browser.newPage()      print(f"正在爬取第 {num} 页面")      await page.goto("https://www.guahao.com/expert/all/全国/all/不限/p{}".format(num))      content = await page.content()      print(content)    except Exception as e:      print(e.args)    finally:      num += 1      await browser.close()      await self.main(num)  def run(self):    loop = asyncio.get_event_loop()    asyncio.get_event_loop().run_until_complete(self.main(1))if __name__ == '__main__':  doctor = DoctorSpider()  doctor.run()

4. 解析数据

解析数据采用的是pyquery ，这个库在之前的博客中有过使用，直接应用到案例中即可。最终产生的数据通过pandas保存到CSV文件中。

import asynciofrom pyppeteer import launchfrom pyquery import PyQuery as pqimport pandas as pd # 保存csv文件class DoctorSpider(object):  def __init__(self):    self._data = list()  async def main(self,num):    try:      browser = await launch(headless=True)      page = await browser.newPage()      print(f"正在爬取第 {num} 页面")      await page.goto("https://www.guahao.com/expert/all/全国/all/不限/p{}".format(num))      content = await page.content()      self.parse_html(content)      print("正在存储数据....")      data = pd.DataFrame(self._data)      data.to_csv("微医数据.csv", encoding='utf_8_sig')    except Exception as e:      print(e.args)    finally:      num+=1      await browser.close()      await self.main(num)  def parse_html(self,content):    doc = pq(content)    items = doc(".g-doctor-item").items()    for item in items:      #doctor_name = item.find(".seo-anchor-text").text()      name_level = item.find(".g-doc-baseinfo>dl>dt").text() # 姓名和级别      department = item.find(".g-doc-baseinfo>dl>dd>p:eq(0)").text() # 科室      address = item.find(".g-doc-baseinfo>dl>dd>p:eq(1)").text() # 医院地址      star = item.find(".star-count em").text() # 评分      inquisition = item.find(".star-count i").text() # 问诊量      expert_team = item.find(".expert-team").text() # 专家团队      service_price_img = item.find(".service-name:eq(0)>.fee").text()      service_price_video = item.find(".service-name:eq(1)>.fee").text()      one_data = {        "name": name_level.split(" ")[0],        "level": name_level.split(" ")[1],        "department": department,        "address": address,        "star": star,        "inquisition": inquisition,        "expert_team": expert_team,        "service_price_img": service_price_img,        "service_price_video": service_price_video      }      self._data.append(one_data)  def run(self):    loop = asyncio.get_event_loop()    asyncio.get_event_loop().run_until_complete(self.main(1))if __name__ == '__main__':  doctor = DoctorSpider()  doctor.run()

总结一下，这个库不怎么好用，可能之前没有细细的研究过，感觉一般，你可以在多尝试一下，看一下是否可以把整体的效率提高上去。

数据清单：

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家的支持。如果你想了解更多相关内容请查看下面相关链接