CODEX

Python爬虫|Python爬虫入门（四）：储存

原文地址：https://zhuanlan.zhihu.com/p/21452812

iGuo
经济学大数据领域的研究者和创业者（公众号：量潮科技）
系列专栏目录：
第一讲：Python爬虫|Python爬虫入门（一）：爬虫基本结构&简单实例
第二讲：Python爬虫|Python爬虫入门（二）：请求
第三讲：Python爬虫|Python爬虫入门（三）：解析
第四讲：Python爬虫|Python爬虫入门（四）：储存
————————萌萌哒的分割线————————
本篇我们接着上一篇教程（知乎专栏）继续讲。这篇主要讲一下一直没有实现的储存。事实上储存有很多种不同的方式，一般来说是要根据后期管理和分析的需要来选择储存方式。总体来说可以分为两大类：文件和数据库。数据文件格式多种多样，比如csv、dat、xml、xlsx等等。数据库有两大类：SQL和NoSQL（not only SQL）。这次我们主要介绍存入文件的csv格式。后续我们会介绍使用数据库储存。
为什么要用csv呢？这主要是从数据处理方面考虑的。无论是统计软件系列（R、Stata等）还是Python的pandas，都对csv有着天然的非常好的支持，所以推荐大家使用csv作为主要的文件储存方式。

一、Python的csv模块

Python的csv模块（13.1. csv – CSV File Reading and Writing – Python 2.7.13 documentation）是一个非常上天的标准库。这个标准库提供了各种各样的对于各种Python数据结构转换成csv等数据格式的支持。这里简单列举一些有用的函数和类及其方法，关于参数就不多介绍了，有兴趣可以自己去看官方文档。（其实我也不太用别的……）

#Python列表or元组与csv的转换
csv.reader(file)    #读出csv文件
csv.writer(file)    #写入csv文件
writer.writerow(data)    #写入一行数据
writer.writerows(data)    #写入多行数据
#Python字典与csv的转换
csv.DictReader(file)    #读出csv文件
csv.DictWriter(file)    #写入csv文件
writer.writeheader()    #写文件头
writer.writerow(data)    #写入一行数据
writer.writerows(data)    #写入多行数据

二、储存：写入文件

我们接着昨天的代码。首先修改一下昨天的代码，把数据单独输出出来，使代码逻辑更清晰：

import requests
from bs4 import BeautifulSoup
def getHTML(url):
    r = requests.get(url)
    return r.content
def parseHTML(html):
    soup = BeautifulSoup(html,'html.parser')
    body = soup.body
    company_middle = body.find('div',attrs={'class':'middle'})
    company_list_ct = company_middle.find('div',attrs={'class':'list-ct'})
    company_list = []    #修改
    for company_ul in company_list_ct.find_all('ul',attrs={'class':'company-list'}):
        for company_li in company_ul.find_all('li'):
            company_url = company_li.a['href']
            company_info = company_li.get_text()
            company_list.append([company_info.encode('utf-8'),company_url.encode('utf-8')])    #修改，特别注意转码问题。
    return company_list    #修改
URL = 'http://www.cninfo.com.cn/cninfo-new/information/companylist'
html = getHTML(URL)
data_list = parseHTML(html)    #修改

好的，下面我们来把这个data_list写入文件：

# -*- coding: utf-8 -*-
#上面这行是为了让中文能正常地写在.py文件里面
import codecs
import csv
def writeCSV(file_name,data_list):
    with open(file_name,'wb') as f:
        writer = csv.writer(f)
        for data in data_list:
            writer.writerow(data)

这段代码虽然很短，但是里面有很多东西，我们从with这行逐行解释一下：
第一行：
open函数是打开文件的。里面的两个个参数，第一个参数是文件名，第二个参数是写入方法，第三个参数是编码。读写方法常用的有几个，’r’是读，’w’是写，’a’是追加写入，后面加一个’b’是代表二进制读写。
with…as…是一个上下文管理协议。具体干什么暂时不用管它（其实我也不太能说明白），对于文件来说，它的作用就是相当于自动帮你管理文件的打开和关闭，不然的话你对一个文件需要这么做：

f = open('test','wb')
'''
sequences
'''
f.close()

所以使用with…as…是更安全的选择。
第二行：
前面提到的函数，目的是创建一个writer类，用来写入csv文件。
第三行、第四行：循环，把每一行写入文件。当然这里使用writerows也可以。
PS：关于编码，编码常用的就是’utf-8’这个系列的，还有就是’GB’系列的。注意，这里我们使用了utf-8编码，所以前面加入列表的数据也要先转成utf-8编码，不然就会报很坑的错误。编码是个大坑，我们后面专门讲一次。现在的编码处理还不是很好，先暂时这么用着……
PS的PS：不要用Excel打开数据文件，会乱码……因为我用不着用Excel打开（主要是不太会用Excel），所以就没有研究处理方法，如果有好的方案欢迎联系我~

三、完整代码示例

好的，最后让我们把代码拼一起：

# -*- coding: utf-8 -*-
import codecs
import csv
import requests
from bs4 import BeautifulSoup
def getHTML(url):
    r = requests.get(url)
    return r.content
def parseHTML(html):
    soup = BeautifulSoup(html,'html.parser')
    body = soup.body
    company_middle = body.find('div',attrs={'class':'middle'})
    company_list_ct = company_middle.find('div',attrs={'class':'list-ct'})
    company_list = []    #修改
    for company_ul in company_list_ct.find_all('ul',attrs={'class':'company-list'}):
        for company_li in company_ul.find_all('li'):
            company_url = company_li.a['href']
            company_info = company_li.get_text()
            company_list.append([company_info.encode('utf-8'),company_url.encode('utf-8')])    #修改
    return company_list    #修改
def writeCSV(file_name,data_list):
    with codecs.open(file_name,'wb') as f:
        writer = csv.writer(f)
        for data in data_list:
            writer.writerow(data)
URL = 'http://www.cninfo.com.cn/cninfo-new/information/companylist'
html = getHTML(URL)
data_list = parseHTML(html)    #修改
writeCSV('test.csv',data_list)

然后运行一下，就可以在与代码同目录的文件夹找到数据文件啦~
—
好的，到这里，我们的爬虫教程的入门系列就结束了。到这里，你应该学会的是单页静态网页的爬虫。这部分不在于讲方法而在于讲原理和提出问题。这部分的实现还有太多太多部分没有深入，我们会在后面的“深入网页请求”、“深入网页解析”、“深入数据储存”、“深入并发/海量数据的爬取”四个系列继续深入讨论。其中，“深入网页请求”系列将会深入讨论各种反爬策略、动态网页请求和对应的HTTP协议的知识；“深入网页解析”将会讲各种各样的解析方式，包括静态网页和动态网页的解析 ，数据格式包括直接解析字符串、re解析、bs4解析、json解析等，也会专门说说各种翻页技巧；“深入数据储存”系列我们会继续介绍csv的一些用法，以及坑爹的文件编码问题，也会深入介绍SQL和NoSQL的使用。“深入并发/海量数据的爬取”系列我们会介绍进程、线程、协程等基本概念及其实现，并用来提高爬虫效率，可能会有分布式方面的讨论。
PS：动态网页爬虫和翻页这两个专题可以放在接下来的四个系列穿插讲，也可以跟在入门系列后面，你可以把你的想法在评论区留言或者私信我~
————————萌萌哒的分割线————————
非商业转载注明作者即可，商业转载请联系作者授权并支付稿费。本专栏已授权“维权骑士”网站(rightknights.com)对我在知乎发布文章的版权侵权行为进行追究与维权。
项目联系方式：

编辑于 2017-02-07