简易数据分析 05 | Web Scraper 翻页——控制链接批量抓取数据
简易数据分析 05 | Web Scraper 翻页——控制链接批量抓取数据
【这是简易数据分析系列的第 5 篇文章】
上篇文章我们爬取了豆瓣电影 TOP250 前 25 个电影的数据，今天我们就要在原来的 Web Scraper 配置上做一些小改动，让爬虫把 250 条电影数据全部爬取下来。
前面我们同时说了，爬虫的本质就是找规律，当初这些程序员设计网页时，肯定会依循一些规则，当我们找到规律时，就可以预测他们的行为，达到我们的目的。
今天我们就找找豆瓣网站的规律，想办法抓取全部数据。今天的规律就从常常被人忽略的网址链接开始。
1.链接分析
我们先看看第一页的豆瓣网址链接：
https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com这个很明显就是个豆瓣的电影网址，没啥好说的top250这个一看就是网页的内容，豆瓣排名前 250 的电影，也没啥好说的?后面有个start=0&filter=，根据英语提示来看，好像是说筛选（filter），从 0 开始（start）
再看看第二页的网址链接，前面都一样，只有后面的参数变了，变成了start=25，从 25 开始：
我们再看看第三页的链接，参数变成了 start=50，从 50 开始：
分析 3 个链接我们很容易得出规律：
start=0，表示从排名第 1 的电影算起，展示 1-25 的电影 start=25，表示从排名第 26 的电影算起，展示 26-50 的电影 start=50，表示从排名第 51 的电影算起，展示 51-75 的电影 …... start=225，表示从排名第 226 的电影算起，展示 226-250 的电影
规律找到了就好办了，只要技术提供支持就行。随着深入学习，你会发现 Web Scraper 的操作并不是难点，最需要思考的其实还是这个找规律。
2.Web Scraper 控制链接参数翻页
Web Scraper 针对这种通过超链接数字分页获取分页数据的网页，提供了非常便捷的操作，那就是范围指定器。
比如说你想抓取的网页链接是这样的：
http://example.com/page/1http://example.com/page/2http://example.com/page/3
你就可以写成
http://example.com/page/[1-3]
把链接改成这样，Web Scraper 就会自动抓取这三个网页的内容。
当然，你也可以写成
http://example.com/page/[1-100]
这样就可以抓取前 100 个网页。
那么像我们之前分析的豆瓣网页呢？它不是从 1 到 100 递增的，而是 0 -> 25 -> 50 -> 75 这样每隔 25 跳的，这种怎么办？
http://example.com/page/0http://example.com/page/25http://example.com/page/50
其实也很简单，这种情况可以用[0-100:25]表示，每隔 25 是一个网页，100/25=4，爬取前 4 个网页，放在豆瓣电影的情景下，我们只要把链接改成下面的样子就行了；
https://movie.douban.com/top250?start=[0-225:25]&filter=
这样 Web Scraper 就会抓取 TOP250 的所有网页了。
3.抓取数据
解决了链接的问题，接下来就是如何在 Web Scraper 里修改链接了，很简单，就点击两下鼠标：
1.点击Stiemaps，在新的面板里点击 ID 为top250的这列数据：
2.进入新的面板后，找到Stiemap top250这个 Tab，点击，再点击下拉菜单里的Edit metadata；
3.修改原来的网址，图中的红框是不同之处：
修改好了超链接并点击Save Sitemap保存好，重新抓取网页就好了。操作和上文一样，我这里就简单复述一下不做步奏详解了：
- 点击
Sitemap top250下拉菜单里的Scrape按钮 - 新的操作面板的两个输入框都输入 2000
- 点击
Start scraping蓝色按钮开始抓取数据 - 抓取结束后点击面板上的
refresh蓝色按钮，检测我们抓取的数据
如果你操作到这里并抓取成功的话，你会发现数据是全部抓取下来了，但是顺序都是乱的。
我们这里先不管顺序问题，因为这个属于数据清洗的内容了，我们现在的专题是数据抓取。先把相关的知识点讲完，再攻克下一个知识点，才是更合理的学习方式。
这期讲了通过修改超链接的方式抓取了 250 个电影的名字。下一期我们说一些简单轻松的内容换换脑子，讲讲 Web Scraper 如何导入别人写好的爬虫文件，导出自己写好的爬虫软件。