forbes_cover2.jpg
1 数据采集概述
开始一个数据分析项目，首先需要做的就是get到原始数据，获得原始数据的方法有多种途径。比如：
- 获取数据集（dataset）文件
- 使用爬虫采集数据
- 直接获得excel、csv及其他数据文件
- 其他途径...
本次福布斯系列数据分析项目实战，数据采集方面，主要数据来源于使用爬虫进行数据采集，同时也辅助其他数据进行对比。
本文主要是介绍使用爬虫进行数据采集的思路和步骤。
本次采集的福布斯全球上市企业2000强排行榜数据，涉及年份从2007年到2017年，跨越10多年。
本次采集的目标网站，是多个网页，但多个网页的分布结构都有所不同，虽然思路和步骤都差不多，但需要分开来编写，分别采集。
2 数据采集步骤
数据采集大体分为几步：
- 目标主网页内容的Download
- 主网页上数据的采集
- 主网页上其他分发页面网站链接的采集
- 各分发网页数据的download与采集
- 将采集的数据保存
涉及到的python库包括，requests、BeautifulSoup以及csv。 下面以采集某年的数据为案例，来描述下数据采集的步骤。
import requests
from bs4 import BeautifulSoup
import csv
2.1 数据Download模块
主要是基于 requests，代码如下：
def download(url):
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'}
response = requests.get(url,headers=headers)
# print(response.status_code)
return response.text
这个模块会在主网页数据下载，以及各个分页面数据下载时使用，是一个比较通用的模块。
2.2 主网页上数据的采集
主网页的页面结构，主要分为两个部分，一类是包含其他页面数据的网页链接，一类是主网页上的公司数据列表，以表格形式在网页上显示。
用BeautifulSoup可以把这些数据解析出来。 代码模块如下：
- 解析主网页上的公司数据列表信息
def get_content_first_page(html, year):
'''
获取排名在1-100的公司列表，且包含表头
'''
soup = BeautifulSoup(html, 'lxml')
body = soup.body
body_content = body.find('div', {'id': 'bodyContent'})
tables = body_content.find_all('table', {'class': 'XXXXtable'})
# tables一共有3个，最后一个才是我们想要的
trs = tables[-1].find_all('tr')
# 获取表头名称
# trs[1], 这里跟其他年份不一样
row_title = [item.text.strip() for item in trs[1].find_all('th')]
row_title.insert(0, '年份')
rank_list = []
rank_list.append(row_title)
for i, tr in enumerate(trs):
if i == 0 or i == 1:
continue
tds = tr.find_all('td')
# 获取公司排名及列表
row = [ item.text.strip() for item in tds]
row.insert(0, year)
rank_list.append(row)
return rank_list
- 解析主网页上其他页面的网页链接
def get_page_urls(html):
'''
获取排名在101-2000的公司的网页链接
'''
soup = BeautifulSoup(html, 'lxml')
body = soup.body
body_content = body.find('div', {'id': 'bodyContent'})
label_div = body_content.find('div', {'align':'center'})
label_a = label_div.find('p').find('b').find_all('a')
page_urls = ['basic_url' + item.get('href') for item in label_a]
return page_urls
2.3 各个分发页面上的数据采集
步骤也是 网页页面下载 和表格类数据爬取。 代码内容跟主网页页面类似，只是细节上有些差异，这里就不作赘述了。
2.4 数据存储
采集的数据，最后保存到csv文件中。模块代码如下：
def save_data_to_csv_file(data, file_name):
'''
保存数据到csv文件中
'''
with open(file_name, 'a', errors='ignore', newline='') as f:
f_csv = csv.writer(f)
f_csv.writerows(data)
2.5 数据采集主函数
def get_forbes_global_year_2007(year=2007):
url = 'url'
html = download(url)
# print(html)
data_first_page = get_content_first_page(html, year)
# print(data_first_page)
save_data_to_csv_file(data_first_page, 'forbes_'+str(year)+'.csv')
page_urls = get_page_urls(html)
# print(page_urls)
for url in page_urls:
html = download(url)
data_other_page = get_content_other_page(html, year)
# print(data_other_page)
print('saving data ...', url)
save_data_to_csv_file(data_other_page, 'forbes_'+str(year)+'.csv')
if __name__ == '__main__':
# get data from Forbes Global 2000 in Year 2009
get_forbes_global_year_2007()
3 总结
本文只介绍了数据采集的思路与各个模块，并没有提供目标网页的链接， 一方面由于原始网页的数据信息比较杂乱，采集的时候需要写多个采集程序，另外一方面，由于我们的重点在于后续的数据分析部分，希望不要着重于数据爬取。
在后续的分析过程中，我们会来查看数据的结构、数据完整性及相关信息，欢迎继续关注。
如果您喜欢我的文章，欢迎关注我的微信公众号“Python数据之道”（ID：PyDataRoad）。
