题语：世界杯开始了，大家又重燃了看球的热情。对于游戏制作来说，经常需要制定一些角色的数据，特别是体育类的游戏。自己去设定工作量大，并且太主观，这时候就需要去一些权威的网站查询数据，，用作参考。笔者结合自己实际经验，教大家做一个简单的爬虫。
前期准备工作
首先确定我们需要爬取的是 FIFA23 的球员数据，通过 https://sofifa.com/ 这个网站，里面有从 FIFA07 到 FIFA23 所有的球员数据，非常详实。打开首页后，发现是这样的：:
我们点选其中一个球员，进行分析：
发现所需要的数据，都在上面俩张图的位置中。下方是转会记录和用户评论，现在用不上。
经过分析发现，每个球员都有一个唯一 id，显示在网址 url 中。无论是通过姓名搜索，还是通过球队搜索后跳转，球员的页面都会显示这个 id。
最后的 230006 这串数字，应该是某种参数。在 url 去掉后，依然会打开该球员页面。
去掉球员名字后，依然可以打开页面。
所以我们明白了----所有人的只是一段数字。
到这里，前期的重要准备已经完成了。我们发现了规律，下一步需要去运用了。
开始动手
安装 python，笔者使用的是 3.9.12 版本。然后安装 requests 库和 beautiful soup 库，可以使用 pip install requests，pip install beautifulsoup4 来安装，或者用 conda 来管理安装包、关于如何安装请自行搜索，不再赘述。
先写用来获取球员数据的最主要的函数：
#通过球员ID,爬取数据,返回一个列表
deffetchData(id):
url =f'https://sofifa.com/player/{str(id)}'
myRequest = requests.get(url)
soup = BeautifulSoup(myRequest.text,'lxml')
myList =[]
return myList
我们通过 id 来获取一个球员的信息，所以参数是 id。只要递增 id 就可以来爬取所有球员的信息了。如果查无此人，就返回一个空值。注意 request 如果返回的值是 200，则表示连接成功，至于重试和 http header 怎么设置，请自行搜索。
页面上取值
按 F12 查看页面元素，取到所需的值。每个项目都不同，下面的展示是我们所需要的。
meta 数据
有一段页面没有显示的 meta 数据，里面记录了该球员的描述。我把这个得下来，用来跟同名的球员快速对比。
过滤年份
因为要取最新的 FIFA23 的数据，所以我过滤了左上角的年份，不是 23 年的就会返回空值。
到目前位置的代码：
def fetchData(id):
url = f'https://sofifa.com/player/{str(id)}'
myRequest = requests.get(url)
soup =BeautifulSoup(myRequest.text,'lxml')
meta = soup.find(attrs={'name':'description'})['content']
years=soup.find(name='span',attrs={'class':'bp3-button-text'})
if meta[:4] !='FIFA'and(str(years.string)) !="FIFA 23"or meta[:4]=='FIFA':
#print(years.string +' 没有23年的数据')
return None
info = soup.find(name='div',attrs={'class':'info'})
playerName = info.h1.string
myList =[id, playerName]
基础信息
获取位置 \ 生日 \ 身高 \ 体重等信息，我们可以看出来，这是一个字符串。
这里用到了全篇都在用的，省脑子的做法，就是改变 selector。右键选中需要爬取的部分，选择 copy selector 就可以复制到剪贴板上了。
#获取小字信息
rawdata= soup.select("#body > div:nth-child(5) > div > div.col.col-12 > div.bp3-card.player > div > div")
FYI：也可以使用 XPath 来选取，不过需要稍微学习下 XPath 的语法。Chrome 有一个 XPath Helper 插件可以很方便测试 XPath 的语法写的对不对。
因为球员可能会有多个位置，最多的人我见过有 4 个位置的。所以下面代码中我做了一个偏移，这样保证截取的字符串部分是对的。
#多个位置的话,进行平移,要不截取的字符串就错了
offset=rawdata[0].find_all("span")
offset=(len(offset))-1
temp=rawdata[0].text
temp=re.split('\s+',temp)
if offset>0:
for i inrange(offset):
temp.pop(i)
生日信息并转换
获取生日信息，并且转换成我们所需要的格式。这里提一下，“日 / 月 / 年”的格式被 excel 打开后会自动转换成日期格式，麻烦的要死。我的做法是：要么用 wps，要么用飞书打开，再粘贴回去。如果大家有更好的办法欢迎留言。
下面是身高体重，很简单的截取字符串。
#获得球员生日,并转换成所需的格式 (DAY/MONTH/YEAR)
month=["Jan","Feb","Mar","Apr","May","Jun","Jul","Aug","Sep","Oct","Nov","Dec"]
# birthday=temp[3][1:]+'-'+temp[4][:-1]+'-'+temp[5][:-1]
mon=temp[3][1:]
mon=month.index(mon)+1
day=temp[4][:-1]
year=temp[5][:-1]
birthday =[f"{str(year)}/{str(mon)}/{str(day)}"]
birthday=eval(str(birthday)[1:-1])
myList.end(birthday)
#身高体重
height=int(temp[6][:-2])
myList.end(height)
weight=int(temp[7][:-2])
myList.end(weight)
获取 Profile
我们需要获得页面左边的 Profile 信息，包括正逆足，技巧动作等级，进攻防守参与度等等。
左脚定义为 1，右脚定义为 2，这种魔数 (Magic Number) 在项目中大量存在... 只能微笑面对 :)
#获取profile(正逆足,技术动作,国际声誉等)
rawdata= soup.select("#body > div:nth-child(5) > div > div.col.col-12 > div:nth-child(2) > div > ul")
temp=rawdata[0].find_all('li',class_="ellipsis")
preferred_foot=temp[0].contents[1]
preferred_foot =1if(preferred_foot =='Left')else2
myList.end(preferred_foot)
skill_move_level=temp[2].contents[0]
myList.end(int(skill_move_level))
reputation=temp[3].contents[0]
myList.end(int(reputation))
todostr=temp[4].text
workrateString=re.split('\s+',todostr)
wr_att=workrateString[1][4:-1]
wr_def=workrateString[2]
wrList=['Low',"Medium","High"]
wr_att=wrList.index(wr_att)+1
wr_def=wrList.index(wr_def)+1
myList.end(wr_att)
myList.end(wr_def)
可以看出来，最多的代码就是用来拆分 \ 拼接字符串而已。
头像
下面要获取头像了，各类图片都差不多的处理方式，可以说是爬虫里面最有用的部分了 (误)。
头像要获取 img 的 url 地址，然后用 stream 的方式进行下载。这里最需要注意的是图片命名，别 down 下来之后自己分不清楚，confused 了。(这段话打着打着就出现了中英混杂，但 img="图片"，url="地址"，stream="流"，替代之后就会发现很别扭，求大家指导一下，怎么用纯中文打出文化非常自信的代码教程。)
#头像
rawdata=soup.select("#body > div:nth-child(5) > div > div.col.col-12 > div.bp3-card.player > img")
img_url=rawdata[0].get("data-src")
img_r=requests.get(img_url,stream=True)
#print(img_r.status_code)
img_name = f"{id}_{playerName}.png"
with open(f"X:/这里是路径,每个人不一样,我的不能给你们看/{img_name}","wb") as fi:
for chunk in img_r.iter_content(chunk_size=120):
fi.write(chunk)
题外话：很多网页上的图片下载回来发现是 WebP 格式，也就是谷歌搞得一个格式。大家可以下载 "Save Image as Type" 插件，右键可以另存为 PNG 或 JPG。
其他信息：
其他位置信息，俱乐部信息，和国籍信息，都使用了一样的办法----哪里不会点哪里，右键复制个 selector 就完事。
##获得位置
rawdata = soup.select("#body > div:nth-child(5) > div > div.col.col-12 > div.bp3-card.player > div > div > span")
allPos =''.join(f"{p.text} "for p in rawdata)
myList.end(allPos)
rawdata= soup.select("#body > div:nth-child(6) > div > div.col.col-4 > ul > li:nth-child(1) > span")
bestPos=rawdata[0].text
myList.end(bestPos)
#获得俱乐部
rawdata= soup.select("#body > div:nth-child(5) > div > div.col.col-12 > div:nth-child(4) > div > h5> a")
club = rawdata[0].text iflen(rawdata)>0else"没有俱乐部"
myList.end(club)
#获得国籍
rawdata= soup.select("#body > div:nth-child(5) > div > div.col.col-12 > div.bp3-card.player > div > div > a")
nation = rawdata[0].get("title")iflen(rawdata)>0else"国家"
myList.end(nation)
属性
重头戏来了，这七八十条属性，是手动抄起来最麻烦的，所以才写的这个爬虫。
分析发现每个属性的值也写在了类的名字里，例如这个 "class=bp3-tag p p-73"，共性就是 "bp3-tag p" 的部分，所以需要用到了正则表达式 (其实上面也用到了，re 就是正则，我认为你们不懂的会自己去搜索，就没多说)
就酱，最后把属性作为一个列表返回去，爬虫主体函数就完成了。
#获取属性
rawdata=soup.select('#body>div:nth-child(6)>divdiv.col.col-12')
data=rawdata[0].find_all(class_=re.compile('bp3-tagp'))
#print(data)
myList.extend(allatt.textforallattindata)
returnmyList
写入文件
在开始下一步前，先把写入的函数做好。不然好不容易爬到的数据，只在内存里，很容易就丢失了。很多非程序员可能不了解，这个过程就叫做 "持久化"。正所谓，"不以长短论高下，只凭持久闯天下"，说的就是代码。
推荐写入使用 csv，其他格式也一样，如果要写 excel，推荐使用 openpyxl 库，以下时代码部分，最长的那里是表格的头。
#写入文件
def dealWithData(dataToWrite):
header_list = ['id','name','birthday','height','weight','preferred_foot',"skill_move_level","reputation","wr_att","wr_def",'Positions','Best Position','Club',"nation",'Crossing','Finishing','Heading Accuracy', 'Short Passing','Volleys','Dribbling','Curve', 'FK Accuracy','Long Passing','Ball Control','Acceleration','Sprint Speed','Agility','Reactions','Balance','Shot Power','Jumping','Stamina','Strength','Long Shots','Aggression','Interceptions','Positioning','Vision','Penalties','Composure','Defensive Awareness','Standing Tackle','Sliding Tackle','GK Diving','GK Handling','GK Kicking','GK Positioning','GK Reflexes']
with open('./目录随便写/不推荐中文名.csv', 'a+', encoding='utf-8-sig', newline='') as f:
writer = csv.writer(f)
writer.writerow(header_list)
writer.writerows(dataToWrite)
另外关于写入的几种模式：w,a 和 + 的用法，请自行搜索 (写教程好容易啊)。
搜索 id
如何调用上面的函数？需要的球员 id 从哪里来？这里我用到了 2 种方法，分别介绍一下：
递增 ID
最早用了递增的 id 进行遍历，属于广撒网，多敛鱼的方式。这个方式就很坑，通过这个搜索到了很多网站页面不会显示的球员数据，例如女足球员的数据。
# 实际代码已经不用了,我这里写个例子 soData = [] for s in range(20000,40000): l=fetchData(s) if l!=None: soData.end(l) dealWithData(soData)
这样如果搜一条写入一条，效率是非常差的，可以分批次来搜索，比如一次 100 条，然后整体写入。写入 CSV 时可以把 header_list 那条注释掉，不需要写入那么多次 header。
id 列表
我们使用一个 csv 文件，将需要搜索的 id 添加进去，然后读取该列表进行靶向搜索！
#搜索列表
searchList=[]
with open('./目录看自己/需要去搜索的id.CSV',"r",encoding='utf-8-sig') as f:
f_csv=csv.reader(f,dialect='excel',delimiter=',')
searchList.extend(iter(f_csv))
# print(len(searchList))
#进行搜索
soData =[]
for p in searchList:
#因为ID读进来是个字符串,所以要截取
soid=str(p)[2:-2]
l =fetchData(soid)
if l!=None:
soData.end(l)
dealWithData(soData)
这样就可以了，我们需要得到球员的 sofia 网站上的 id。这里我有通过名字搜索，通过 ovr 搜索，和通过俱乐部搜索，分别放在下面。
通过球员名字搜索
我们在这个网站上，通过名字搜索，会出现一个球员列表，例如搜索华伦天奴会出现以下球员：
话不多说，直接上代码：
defgetPlayerID(key):
url =f"https://sofifa.com/players?keyword={str(key)}"
myRequest=requests.get(url)
soup=BeautifulSoup(myRequest.text,'lxml')
playerTable=soup.select("#body>div.center>div>div.col.col-12>div>table>tbody")
# print(len(playerTable[0].contents))
data=playerTable[0].contents
playersCandicate=[]
iflen(data)>0:
for p in data:
id=p.find("img")["id"]
name=p.find("a")["aria-label"]
ovr=p.find(attrs={"data-col":"oa"}).get_text()
playersCandicate.end([id,name,ovr])
else:
print("not found")
playersCandicate.end(["not found","the name you're searching is >>",keyword])
return playersCandicate
这个函数会获得所有搜索到的结果，没有的话会返回 "not found"，需要注意的是会搜索到很多名字类似的球员，至于真正需要的是哪个，需要自己去过滤了。
同样的，把要搜索的名字放在一个 csv 里面，方便使用。
#读取要搜索的名单
searchList=[]
with open('toSearchByName.CSV',"r",encoding='utf-8-sig') as f:
f_csv=csv.reader(f,dialect='excel',delimiter=',')
searchList.extend(iter(f_csv))
#进行搜索,注意同名球员会全部搜索出来
idata = []
for p in searchList:
keyword=str(p)[2:len(p)-3]
l = getPlayerID(keyword)
if l!=None:
idata.end(l)
dealWithData(idata)
通过 OVR 搜索
搜索时通过球员的总属性值 (OVR) 来进行搜索。
点击 search 后，发现网址变成了这样，可见 oal 就是 overall low，oah 是 overall high 的意思。
代码如下：
# 输入OVR最小值,最大值和页数(一页60个)
def searchByOVR(min,max,pages):
i=min
p=0
playersCandicate=[]
while i<=max:
while p<=pages:
url = f"https://sofifa.com/players?type=all&oal={str(min)}&oah={str(i)}&offset={str(60 * p)}"
myRequest=requests.get(url)
soup=BeautifulSoup(myRequest.text,'lxml')
playerTable=soup.select("#body > div.center > div > div.col.col-12 > div > table > tbody")
data=playerTable[0].contents
if len(data)>0:
for all in data:
id=all.find("img")["id"]
name=all.find("a")["aria-label"]
ovr=all.find(attrs={"data-col":"oa"}).get_text()
playersCandicate.end([id,name,ovr])
p+=1
p=0
i+=1
#调用时,例如搜索65到75的,共搜索10页.
searchByOVR(65,75,10)
通过球队来搜索
球队搜索的话，需要知道 club 的 id，我们选择 teams，可以看到它唯一的 club id 和首发阵容。
这里写下如何通过 club id 获得首发阵容：
#获得球队阵容
def getLineup(id):
url = f'https://sofifa.com/teams/{str(id)}'
myRequest=requests.get(url)
soup=BeautifulSoup(myRequest.text,'lxml')
clubName=soup.find("h1").text
if clubName == 'Teams':
return None
lineup=soup.select("#body > div:nth-child(4) > div > div.col.col-12 > div > div.block-two-third > div > div")
data=lineup[0].find_all("a")
field_player=[]
if len(data)>0:
for p in data:
temp=str(p.attrs["href"])
temp=temp.lstrip("/player/")
temp=temp.rstrip("/")
id=temp[:temp.find("/")]
field_player.end([clubName, id, p.attrs["title"], p.text[:2]])
return field_player
至于如何获得 club id，跟之前球员一样，或者用递增的 id 去记录下来，或者通过搜索球队名字，不再赘述。
总结
常言道，人生苦短，我用 python。作为一个脚本语言，快和简单就是 python 最大的特点。大家可以根据自己的需求类定制这类爬虫，关于爬虫更高级的框架可以使用 scappy 等。对于常用的工具函数，比如写入 csv，写入 \ 读取 excel 等，可以按照自己的需求写在一个 misc.py 里面。实际上，因为经常有新的需求，所以写得很随便，，注释很多都没写。这种力大砖飞得写法是没有任何美感可言的，新的需求接踵而来，又没有时间去重构，能运行起来就谢天谢地了，看到运行完成的这句后 exited with in seconds 后，就再也不想打开了。希望大家以此为戒，能够写出通俗易懂的代码。
本文来自微信公众号：千猴马的游戏设计之道 （ID：baima21th），作者：千两
本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/656/708.htm]
