快速入门网络爬虫系列 Chapter11 | 将数据存储成文件
Chapter11 | 将数据存储成文件
上一篇我们学习了两种最常用的方式：用
BeautifulSoup从HTML网页中提取，从JSON中提取。数据提取出来以后就要存储。如果我们抓取的是图片等文件，通常我们仍会以文件的形式存储在文件系统中；如果我们抓取的是结构化的数据，通常我们会存储在数据库或CSV文件中。本篇博文讲解的是不同的存储方式。
通常，如果我们抓取的是图片、音频、视频、文档等内容，那么我们会把东西保存成文件。
import requests
image_url = 'http://httpbin.org/image/png'
file_path = 'test.png'
response = requests.get(image_url,timeout = 5)
with open(file_path,'wb') as f:
f.write(response.content)
from IPython.display import Image,display
display(Image(filename = file_path))
可以看到，我们下载了图片，并正确读取了出来。需要注意的是，我们获取响应内容时，采用的是response.content，而不是response.text。这是因为response.text是响应的unicode表示，response.content响应的字节数组。因为图片是二进制的，所以此处要用response.content。这种方法除了可以下载图片，还可以下载音视频文件，以及文档
下载图片时，我们还可以直接把响应内容存到PIL.Image中：
from PIL import Image
from io import BytesIO
from IPython.display import display
image = Image.open(BytesIO(response.content))
print(image.height,image.width)
image.save(file_path)
display(image)
因为PIL.Image包含了很多操作图片的方法，如resize，rotate，thumbnail等，方便用户在保存之前做一些预处理。
如果需要抓取的数据量不大，通常我们可以把数据存成CSV。这样如果你用pandas载入数据的时候就会非常方便。Python中有一个原生库csv，是专门用来读写CSV文件的。
如何用csv创建一个CSV文件：
import csv
file_path = 'test.csv'
with open(file_path,'w')as f:
writer = csv.writer(f,delimiter = '\t',quotechar = '"',quoting = csv.QUOTE_ALL)
writer.writerow(['C1','C2','C3']) # 写一行，这一行同时也是标题
data = [(1,2,3),(4,5,6)]
writer.writerows(data) # 写多行
with open(file_path,'r')as f:
reader = csv.reader(f,delimiter = '\t',quotechar = '"',quoting = csv.QUOTE_ALL)
for row in reader:
print('\t'.join(row))
上面的代码首先创建一个writer，以'\t'为列的分隔符，给所有的数据都加上双引号，这是为了防止数据中也包含'\t'。然会写了一行标题，最后写了两行数据。接着又创建了一个reader正确地读出了CSV文件。
csv.writer在写入文件时要将unicode字符串进行编码，因为Python地默认编码是ascii,所以如果要写入的内容包含非ASCII字符时，就会出现UnicodeEncodeError。此时可以在调用writerow之前先将unicode字符串编码成UTF-8字符串，或者直接使用unicodecsv写入unicode字符串：
import unicodecsv
file_path = 'test.csv'
with open(file_path,'wb')as f:
writer = unicodecsv.writer(f,delimiter = '\t',quotechar = '"',quoting = csv.QUOTE_ALL)
writer.writerow(['省份','省会']) # 写一行，标题
data = [("河南","郑州"),("河北","石家庄")]
writer.writerows(data) # 写多行
with open(file_path,'rb')as f:
reader = unicodecsv.reader(f,delimiter = '\t',quotechar = '"',quoting = csv.QUOTE_ALL)
for row in reader:
print('\t'.join(row))