Python 网络爬虫实战—《爬取 GitHub 的项目信息》

import requests
from bs4 import BeautifulSoup
import pandas as pd
 
# 定义一个函数来获取页面的 HTML 内容
def get_html(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
        response = requests.get(url, headers=headers)
        return response.text
    except requests.exceptions.RequestException as e:
        print(f"An error occurred: {e}")
        return None
 
# 定义一个函数来解析 HTML 内容，提取项目信息
def parse_html(html):
    soup = BeautifulSoup(html, 'html.parser')
    projects = soup.find_all('div', class_='col-12 mb-3')
    data = []
    for project in projects:
        title = project.find('h1', class_='lh-condensed').text.strip()
        description = project.find('p', class_='col-9 fw-bold mb-1').text.strip()
        language = project.find('span', class_='d-inline-flex flex-wrap align-items-center fw-bold').text.strip()
        stars = project.find('a', class_='m-0 text-bold').text.strip()
        data.append({
            'title': title,
            'description': description,
            'language': language,
            'stars': stars
        })
    return data
 
# 定义一个函数来将项目信息写入 CSV 文件
def write_to_csv(data, filename):
    df = pd.DataFrame(data)
    df.to_csv(filename, index=False)
 
# 定义要爬取的 GitHub 主页和文件名
github_url = 'https://github.com/trending'
csv_filename = 'github_trending.csv'
 
# 获取 HTML 内容
html = get_html(github_url)
 
# 解析 HTML 并提取项目信息
projects_data = parse_html(html)
 
# 将项目信息写入 CSV 文件
write_to_csv(projects_data, csv_filename)
 
print(f"{len(projects_data)} projects have been saved to {csv_filename}.")

这段代码首先定义了一个函数get_html来获取给定 URL 的 HTML 内容，然后定义了一个函数parse_html来解析 HTML 并提取项目信息，最后将提取的数据写入CSV文件中。这个过程展示了如何使用Python网络爬虫技术来抓取和处理网页数据的基本步骤。