码迷,mamicode.com
首页 > 编程语言 > 详细

python静态网页爬虫实例01

时间:2020-02-06 14:54:00      阅读:86      评论:0      收藏:0      [点我收藏+]

标签:src   eve   col   close   解析   mamicode   continue   ash   append   

前些日子学习了一些爬虫知识,鉴于时间较短,就只看了静态网页爬虫内容,而有关scrapy爬虫框架将在后续继续探索。

以下以重庆市统计局官网某页面爬取为例(http://tjj.cq.gov.cn/tjsj/sjjd/201608/t20160829_434744.htm):

 

0、程序代码

技术图片
 1 import requests
 2 from bs4 import BeautifulSoup
 3 
 4 headers = {user-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36}
 5 url = http://tjj.cq.gov.cn/tjsj/sjjd/201608/t20160829_434744.htm
 6 res = requests.get(url, headers=headers)
 7 res.encoding = res.apparent_encoding
 8 soup = BeautifulSoup(res.text, html.parser)
 9 trs = soup.find_all(table)[2].find_all(tr)
10 # print(trs)
11 data = []
12 for tr in trs:
13     info = []
14     tds = tr.find_all(td)
15     if(len(tds) ==5 ):
16         for td in tds:
17             info.append(td.text.replace(\u3000, ‘‘))
18         print(info)
19     else:
20         continue
21     data.append(info)
View Code

1、准备工作

1.1  打开所给的url,我们发现该网页包含三个表,选取第三个表作为提取对象。

技术图片

 

1.2  观察网页源代码,发现该表包含在<table>……<table/>里面,表中每一行包含在<tr>……</tr>里,而该行的每一列又被包含在<td>……<td/> 里。

 

2、获取网址请求

2.1  首先导入requests库和美丽的汤——BeautifulSoup库

1 import requests
2 from bs4 import BeautifulSoup

2.2  利用requests库中的requests.get()方法以及相关属性完成网址请求

1 headers = {user-agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36}
2 url = http://tjj.cq.gov.cn/tjsj/sjjd/201608/t20160829_434744.htm
3 res = requests.get(url, headers=headers)
4 res.encoding = res.apparent_encoding

3、网页解析

之前准备工作中,已经对网页源代码有了一定的分析。接下来,直接利用BeautifulSoup库完成网页解析。

 1 soup = BeautifulSoup(res.text, html.parser)
 2 trs = soup.find_all(table)[2].find_all(tr)
 3 # print(trs)
 4 data = []
 5 for tr in trs:
 6     info = []
 7     tds = tr.find_all(td)
 8     if(len(tds) ==5 ):
 9         for td in tds:
10             info.append(td.text.replace(\u3000, ‘‘))
11         print(info)
12     else:
13         continue

 

4、代码优化

利用pandas库可以将提取数据并形成Excel表格输出,优化后的代码如下:

技术图片
 1 # -*- coding: utf-8 -*-
 2 
 3 import requests
 4 from bs4 import BeautifulSoup
 5 import pandas as pd
 6 
 7 class CQstat(object):
 8     def __init__(self):
 9         self.headers = {
10                 User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36
11                 }
12         
13     def get_html(self,url):
14         try:
15             r = requests.get(url,headers=self.headers)
16             r.raise_for_status()
17             r.encoding = r.apparent_encoding
18             return r.text
19         except:
20             return None
21     
22     def get_info(self):
23         url = http://tjj.cq.gov.cn/tjsj/sjjd/201608/t20160829_434744.htm
24         html = self.get_html(url)
25         soup = BeautifulSoup(html,lxml)
26         trs = soup.find_all(table)[2].find_all(tr)
27         data = []
28         for tr in trs:
29             info = []
30             tds = tr.find_all(td)
31             if len(tds) == 3:
32                 for td in tds:
33                     info.append(td.text.replace(\u3000,‘‘))
34                 info.insert(2,主营业务收入)
35                 info.append(利润总额)
36             elif len(tds) == 4:
37                 for td in tds:
38                     info.append(td.text.replace(\u3000,‘‘))
39                 info.insert(0,行业)
40             elif len(tds) == 5:
41                 for td in tds:
42                     info.append(td.text.replace(\u3000,‘‘))
43             else:
44                 continue
45             data.append(info)
46         df = pd.DataFrame(data)
47         df.to_excel(1-7月份规模以上工业企业主要财务指标(分行业).xlsx,index=None,header=None)
48         
49 cq = CQstat()
50 cq.get_info()
View Code

 

python静态网页爬虫实例01

标签:src   eve   col   close   解析   mamicode   continue   ash   append   

原文地址:https://www.cnblogs.com/chenmenghu/p/12268274.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!