世界杯到了，写个爬虫获取球员数据吧

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：，作者：千两