Python爬蟲新手教程：微醫掛號網醫生數據抓取

1. 寫在前面

今天要抓取的一個網站叫做微醫網站，地址為 https://www.guahao.com ，我們將通過python3爬蟲抓取這個網址，然后數據存儲到CSV里面，為后面的一些分析類的教程做準備。本篇文章主要使用的庫為pyppeteer 和 pyquery

首先找到 醫生列表頁

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

這個頁面顯示有 75952 條數據 ，實際測試中，翻頁到第38頁，數據就加載不出來了，目測后臺程序猿沒有把數據返回，不過為了學習，我們忍了。

2. 頁面URL

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

數據總過38頁，量不是很大，咱只需要隨便選擇一個庫抓取就行，這篇博客，我找了一個冷門的庫
pyppeteer 在使用過程中，發現資料好少，很尷尬。而且官方的文檔寫的也不好，有興趣的可以自行去看看。關于這個庫的安裝也在下面的網址中。

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

最簡單的使用方法，在官方文檔中也簡單的寫了一下，如下，可以把一個網頁直接保存為一張圖片。

import asyncio
from pyppeteer import launch

async def main():
    browser = await launch()  # 運行一個無頭的瀏覽器
    page = await browser.newPage()  # 打開一個選項卡
    await page.goto('http://www.baidu.com')  # 加載一個頁面
    await page.screenshot({'path': 'baidu.png'})  # 把網頁生成截圖
    await browser.close()

asyncio.get_event_loop().run_until_complete(main())  # 異步

我整理了下面的一些參考代碼，你可以 做一些參考。

browser = await launch(headless=False)  # 可以打開瀏覽器
await page.click('#login_user')  # 點擊一個按鈕
await page.type('#login_user', 'admin')  # 輸入內容

await page.click('#password')  
await page.type('#password', '123456')

await page.click('#login-submit')

await page.waitForNavigation()  

# 設置瀏覽器窗口大小
await page.setViewport({
    'width': 1350,
    'height': 850
})

content = await page.content()  # 獲取網頁內容
cookies = await page.cookies()  # 獲取網頁cookies

3. 爬取頁面

運行下面的代碼，你就可以看到控制臺不斷的打印網頁的源碼，只要獲取到源碼，就可以進行后面的解析與保存數據了。如果出現控制不輸出任何東西的情況，那么請把下面的
await launch(headless=True) 修改為 await launch(headless=False)

import asyncio
from pyppeteer import launch

class 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} 頁面")
            await page.goto("https://www.guahao.com/expert/all/全國/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()
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

4. 解析數據

解析數據采用的是pyquery ，這個庫在之前的博客中有過使用，直接應用到案例中即可。最終產生的數據通過pandas保存到CSV文件中。

import asyncio

from pyppeteer import launch
from pyquery import PyQuery as pq
import 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} 頁面")
            await page.goto("https://www.guahao.com/expert/all/全國/all/不限/p{}".format(num))
            content = await page.content()

            self.parse_html(content)
            print("正在存儲數據....")

            data = pd.DataFrame(self._data)
            data.to_csv("微醫數據.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() # 姓名和級別
            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()  # 醫院地址
            star = item.find(".star-count em").text()  # 評分
            inquisition = item.find(".star-count i").text() # 問診量
            expert_team = item.find(".expert-team").text()  # 專家團隊
            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()
Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

總結一下，這個庫不怎么好用，可能之前沒有細細的研究過，感覺一般，你可以在多嘗試一下，看一下是否可以把整體的效率提高上去。

數據清單：