用Python实现网页数据抓取

分析:数据的基本信息存放于近1万个页面上,每个页面上10条记录。如果想获取特定数据记录的详细信息,需在基本信息页面上点击相应记录条目,跳转到详细信息页面。详细信息页面的地址可从基本信息页面里的href属性获取。

方法:开始时使用beautiful soup进行爬网,因速度较慢,换用lxml,速度改善不明显。

  beautiful soup

复制代码

import bs4
import re
import requests
import lxml.html

f=open('testpython2.txt','w',encoding='utf-8')
j=30
while(j<41):
    beautiful = requests.get(webaddress).content
    soup=bs4.BeautifulSoup(beautiful,"lxml")
    m=5
    while m <85:
        daf1=soup.find_all('a')[m].get_text()
         if daf1!='哈哈':
            daf=soup.find_all('a')[m-1].get('href')
            c='webaddress1'+ str(daf)
            if requests.get(c).status_code==500:
                f.write('Cannot found!')
                f.write('\n')
            else:
                beautiful1=requests.get(c).content
                soup1=bs4.BeautifulSoup(beautiful1,"lxml")
                daf2=soup1.find(id="project_div2")
                p=2
                while (p<20):
                    mm=daf2.find_all('td')[p].get_text()
                    f.write(mm)
                    f.write(' ')
                    p=p+2
                daf3=soup1.find(id="xiugai")
                hh=0
                for tag in daf3(re.compile("td")):
                    hh=hh+1
                q=2
                while (q<hh) :
                    nn=daf3.find_all('td')[q].get_text().replace(' ','')
                    nn1=daf3.find_all('td')[q+1].get_text().replace(' ','')
                    nn2=daf3.find_all('td')[q-1].get_text().replace(' ','')
                    nn3=daf3.find_all('td')[q-2].get_text().replace(' ','')
                    if nn2==nn3:
                        f.write(nn2)
                        f.write(';')
                        f.write(nn)
                        f.write(',')
                        f.write(nn1)
                        f.write(',')   
                    else:
                        if nn2=='1':
                            f.write('InteriorRing ')
                            f.write(nn2)
                            f.write(';')
                            f.write(nn)
                            f.write(',')
                            f.write(nn1)
                            f.write(',')
                        else:
                            f.write(nn2)
                            f.write(';')
                            f.write(nn)
                            f.write(',')
                            f.write(nn1)
                            f.write(',')   
                    q=q+4
            f.write('\n')
        m=m+8
    j=j+1

f.close()

复制代码

  lxml

复制代码
import bs4
import re
import requests
import lxml.html
from lxml.cssselect import CSSSelector

f=open(‘testpython2.txt’,’w’,encoding=’utf-8’)
j=2001
while(j<2592):
link=”webaddress”
headers={‘User-Agent’:’Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6’,’referer’:’link’}
beautiful = requests.get(link,headers=headers).content
tree=lxml.html.fromstring(beautiful)
sel=CSSSelector(‘div div table tr td a’)
results=sel(tree)
m=5
while m <85:
match=results[m]
if results[m-4].text==’XXX:
daf=match.get(‘href’)
c=’webaddress2’+ str(daf)
if requests.get(c).status_code==500:
f.write(‘Cannot found!’)
f.write(‘\n’)
else:
beautiful1=requests.get(c).content
tree1=lxml.html.fromstring(beautiful1)
sel1=CSSSelector(‘div[id=”project_div2”] table tr td’)
results1=sel1(tree1)
p=2
while (p<20):
match1=results1[p]
mm=match1.text
if mm is None:
f.write(‘NoValue’)
else:
f.write(mm)
f.write(‘ ‘)
p=p+2
sel2=CSSSelector(‘div[id=”xiugai”] table tr’)
sel3=CSSSelector(‘div[id=”xiugai”] table tr td’)
results2=sel2(tree1)
results3=sel3(tree1)
ee=len(results3)
q=2
while (q<ee+1) :
nn1=results3[q].text
nn2=results3[q+1].text
nn3=results3[q-1].text
nn4=results3[q-2].text
f.write(nn4)
f.write(‘,’)
f.write(nn3)
f.write(‘,’)
f.write(nn1)
f.write(‘,’)
f.write(nn2)
f.write(‘;’)
q=q+4
f.write(‘\n’)
m=m+8
j=j+1
f.close()
复制代码

问题:1. Python中如何安装库。

    解决方法:cmd,cd 定位到Python安装目录相应文件夹,再用easy install或者 pip命令进行安装

    

cd C:\Python36-32\Scripts
pip install lxml
  2. urllib使用。

    2.x版本的Python可以直接使用import urllib来进行操作,但是3.x版本的python使用的是import urllib.request来进行操作

beautiful = urllib.request.urlopen(webaddress).read()
  3. urllib vs. requests

    使用urllib,网页读取不稳定,时常很快断连接。改用requests。

beautiful = requests.get(webaddress).content
  4. beautiful soup爬网速度太慢。查询文档,换用lxml,速度改善不明显

  之前

soup=bs4.BeautifulSoup(beautiful,”html.parser”)
  之后

soup=bs4.BeautifulSoup(beautiful,”lxml”)
  5.根据网上查询(http://blog.csdn.net/my_precious/article/details/52948362), 为了测试速度,完全弃用beautiful soup,使用lxml和CSSSelector  

复制代码

import lxml.html
from lxml.cssselect import CSSSelector

tree=lxml.html.fromstring(beautiful)
sel=CSSSelector('div div table tr td a')
results=sel(tree)
match=results[m]
daf=match.get('href')
daf1=match[1].text

复制代码
  6. 读取50+页面时,遭遇10054错误,链接断开。

 ```java
 requests.exceptions.ConnectionError: (‘Connection aborted.’, ConnectionResetError(10054, ‘远程主机强迫关闭了一个现有的连接。’, None, 10054, None))


  解决方法:添加header,讲referer设为网站自身地址,避免网站误以为网站攻击

```java
headers={'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6','referer':'link'}
beautiful = requests.get(link,headers=headers).content
打赏 支付宝打赏 微信打赏

未经允许不得转载!

评论列表 0

访客
取消