小科普：數(shù)據(jù)爬蟲究竟是在干啥

今天有個(gè)小目標(biāo)：用一個(gè)網(wǎng)站實(shí)例來做展示，給大家科普下數(shù)據(jù)爬蟲工作的過程。不知道最終效果如何，如果你能看到最后，不妨評(píng)論下你的感受。

了解任務(wù)

首先，選定的網(wǎng)站是 愛爾眼科官網(wǎng)?https://www.aierchina.com/

通常，醫(yī)院官網(wǎng)比較有價(jià)值的數(shù)據(jù)是它在全國(guó)各城市的醫(yī)院門店信息，比如我選擇主頁上的【找醫(yī)院】-【山東省】-【東營(yíng)】，便會(huì)進(jìn)入東營(yíng)市醫(yī)院信息頁面：

選擇后省份、城市后，瀏覽器會(huì)跳轉(zhuǎn)到：

https://www.aierchina.com/hospital/shandong/dongying.html

該頁面上所有醫(yī)院的地址、項(xiàng)目、時(shí)間等信息數(shù)據(jù)，便是我們想要獲取的有價(jià)值信息。

到這里，我們的任務(wù)目標(biāo)就比較明確了：將愛爾眼科官網(wǎng)上所有省份城市的醫(yī)院數(shù)據(jù)全部下載下來。

設(shè)計(jì)方法

如果完全不懂代碼編程，那么完成上面的任務(wù)，就是手動(dòng)一個(gè)個(gè)選擇各個(gè)城市、進(jìn)入所有城市醫(yī)院信息的頁面，然后將每家醫(yī)院的信息復(fù)制、粘貼到表格中。

愛爾眼科網(wǎng)站展示的醫(yī)院數(shù)目約 450 多條，順利的話，手動(dòng)能幾天內(nèi)搞定。

那么如果想用代碼來自動(dòng)化實(shí)現(xiàn)上面的過程，要怎么操作呢？

首先你要知道，網(wǎng)站頁面上展示的所有信息，其實(shí)是在你輸入網(wǎng)址、敲下回車之后，瀏覽器發(fā)出了請(qǐng)求、接收到返回信息、再展示給你的。

那么代碼編程，就可以不用再去打開瀏覽器、輸入網(wǎng)址敲回車，而是直接通過代碼來直接發(fā)送請(qǐng)求。

原本是瀏覽器接收到返回信息，再展現(xiàn)給我們；代碼編程就可以拿到返回的信息，直接對(duì)這些信息處理、提取關(guān)鍵數(shù)據(jù)。

回歸到愛爾眼科官網(wǎng)，我們首先需要獲取到每個(gè)城市頁面對(duì)應(yīng)的網(wǎng)址，然后在城市頁面上提取展示的醫(yī)院信息。

城市網(wǎng)址

剛有說代碼會(huì)直接發(fā)送請(qǐng)求來獲取網(wǎng)站返回的信息，怎么理解呢？可以在任意網(wǎng)站上【點(diǎn)擊鼠標(biāo)右鍵】-【查看網(wǎng)頁源代碼】，這里展示的與網(wǎng)站返回信息比較接近了。

比如，愛爾眼科官網(wǎng)首頁-查看網(wǎng)頁源代碼，向下拉到大概 600 多行：

基本每個(gè)城市對(duì)應(yīng)一個(gè)網(wǎng)址，看著特別像所有城市的網(wǎng)址。暫且先把它當(dāng)成我們第一步要用代碼提取的信息，OK，我們現(xiàn)在已經(jīng)拿到了所有城市對(duì)應(yīng)的城市頁面網(wǎng)址了。

醫(yī)院數(shù)據(jù)

拿到了城市頁面的網(wǎng)址，我們也可以通過【網(wǎng)頁源代碼】查找其中醫(yī)院信息：

用代碼將其中所有醫(yī)院數(shù)據(jù)提取出來，我們便完成了對(duì)一個(gè)城市所有醫(yī)院信息的抓取數(shù)據(jù)工作。

既然一個(gè)城市的抓數(shù)流程走通了，便可以對(duì)之前提取到的所有城市網(wǎng)址鏈接都進(jìn)行同樣的流程，從而獲取到所有城市的醫(yī)院數(shù)據(jù)了。

代碼編程

梳理出上面的思路，最重要的便是寫代碼來實(shí)現(xiàn)整個(gè)過程了。這里我不展開具體代碼邏輯，之前我自學(xué) Python 時(shí)覺得用 Python 寫爬蟲比較輕松，工作里接觸到 NodeJS 爬蟲，對(duì)比著會(huì)覺得其它編程語言來寫爬蟲也沒有那么麻煩。

所以只要合適、自己能上手，選擇什么編程語言其實(shí)沒那么重要，只不過換了種語法來把我們?cè)O(shè)計(jì)的流程實(shí)現(xiàn)罷了。

改 Bug

如果身邊有程序員朋友，可能會(huì)經(jīng)常聽到他們說【改 Bug】，那究竟啥是【改 Bug】呢？

Bug，漏洞，也就是代碼中錯(cuò)誤的地方。

而我，恰好在愛爾眼科官網(wǎng)首頁上，就發(fā)現(xiàn)了不少問題，也就是剛提到的不少 Bug。

如果你有在愛爾眼科上班的朋友，可以順手把這些問題轉(zhuǎn)給他看了。

剛我們?cè)谑醉摰摹揪W(wǎng)頁源代碼】中找到了各個(gè)城市對(duì)應(yīng)的網(wǎng)址鏈接，其實(shí)這里面的上百條鏈接中，有13條拼寫錯(cuò)誤：

看代碼可能比較頭大，可以在手機(jī)端訪問? https://www.aierchina.com/?打開愛爾眼科官網(wǎng)，點(diǎn)擊右上角的選擇定位按鈕，選到首字母 B 的蚌埠（或者首字母 C 的池州，總共有 13 個(gè)城市會(huì)報(bào)錯(cuò)）

共有13個(gè)城市的鏈接有問題，原因部分是拼寫錯(cuò)誤、部分是省份和城市拼接錯(cuò)誤，比如原本山東臨沂錯(cuò)拼成 shanxi/linyi，再比如陜西西安拼成 shanxixi/xian，還挺潮的，陜西西。

這些由于程序員寫代碼時(shí)造成的錯(cuò)誤，就是常說的 Bug 漏洞的一些例子，而改 Bug 就是將這些錯(cuò)誤改正，使得用戶使用時(shí)頁面可以正常跳轉(zhuǎn)。

抓數(shù)優(yōu)化

剛我們梳理了整個(gè)抓取數(shù)據(jù)的過程，定位到錯(cuò)誤的城市網(wǎng)址并進(jìn)行改正，理論上應(yīng)該能拿到所有城市醫(yī)院數(shù)據(jù)了。

但是，官網(wǎng)首頁代碼中的城市鏈接是不全的，直接體現(xiàn)就是手機(jī)端訪問愛爾眼科官網(wǎng)，城市列表比電腦端可選的要少。

既然有遺漏，那么我們就沒有把城市抓全，自然就要去檢查缺了哪些然后去補(bǔ)上。

我第一遍抓取這網(wǎng)站的時(shí)候，就是遇到了這個(gè)坑。

細(xì)心的話，你應(yīng)該也發(fā)現(xiàn)了，電腦端展示省份和城市的方式，和手機(jī)端展示城市的列表方式，是有些差別的。

是的，換句話說，剛我們遇到的問題、Bug，來自于移動(dòng)端所依賴的城市網(wǎng)址們。

想要完全解決這個(gè)問題，我們需要從電腦端選擇省份、城市的方式上去找思路。

最終，我也是在網(wǎng)站返回的數(shù)據(jù)中，找到了相關(guān)省份城市的數(shù)據(jù)，它沒有直接展現(xiàn)在頁面上，而是藏在了 JS 代碼中，從而拿到了完整的城市網(wǎng)址數(shù)據(jù)。

拿到完整的城市網(wǎng)址數(shù)據(jù)，便解決了遺漏城市的問題，我們的抓取所有城市醫(yī)院數(shù)據(jù)的任務(wù)才算圓滿完成。

最終把得到的數(shù)據(jù)寫到 Excel 表格中，大致樣子如下：

總結(jié)

看到這，如果對(duì)編程不感興趣，我猜你已經(jīng)覺得麻煩了吧。

在上面的抓取數(shù)據(jù)過程中，我們用代碼編寫的程序，像是一個(gè)個(gè)蜘蛛（爬蟲），在網(wǎng)絡(luò)上去獲取我們想要的數(shù)據(jù)——也因此，抓取數(shù)據(jù)又被稱為爬蟲、爬取數(shù)據(jù)。

但上面描述的過程，全部都沒有提及編寫代碼來實(shí)現(xiàn)這個(gè)過程，其實(shí)這個(gè)才是程序員實(shí)際的勞動(dòng)，其中也會(huì)有各種細(xì)節(jié)要處理，去發(fā)現(xiàn)并解決各種 Bug。

看到這，應(yīng)該能理解為什么高級(jí)程序員都是絕頂聰明了吧。

而上面描述的這個(gè)抓取數(shù)據(jù)的任務(wù)，只能算初級(jí)難度的爬蟲任務(wù)，因?yàn)樵谡麄€(gè)過程中，網(wǎng)站并沒有對(duì)我們做限制、我們提取數(shù)據(jù)的過程也沒有太多障礙。

一旦網(wǎng)站對(duì)我們?cè)L問做些限制，比如驗(yàn)證碼；或者將數(shù)據(jù)進(jìn)行處理，比如設(shè)置編碼格式或加密，那么我們就需要將這些困難一個(gè)個(gè)克服來獲取最終的結(jié)果。

以上，便是一個(gè)完整抓取愛爾眼科網(wǎng)站上醫(yī)院數(shù)據(jù)的流程了，感受如何？

如果有朋友還不知道爬蟲、程序員每天都在干啥，也可以給他科普科普了~

最后，可能有人疑問：我閑著沒事，去下載這些醫(yī)院數(shù)據(jù)干嘛？

醫(yī)院數(shù)據(jù)的價(jià)值可能不好直接體現(xiàn)，不妨把它換成一個(gè)個(gè)用戶數(shù)據(jù)……