《学习日记之Python》——正则表达式爬取高考网的高校信息

今天来学习利用正则表达式爬取高考网的高校信息

人生苦短，我用python

今天要爬取的是高考网广东地区的高校
链接：http://college.gaokao.com/schlist/a14/p

爬取如图下红色框框内的信息（包括学校主页的链接）

步骤一：查找元素所在位置

步骤二：用正则表达式提取所需信息

def parse_one_page(html):
    pattern=re.compile('
.*?href="(.*?)".*?(.*?).*?
.*?
(.*?)
'
                        +'.*?
(.*?)
.*?
(.*?)
.*?
(.*?)
',re.S)
    items=re.findall(pattern,html)
    print(items)
    for item in items:
        yield {
            'web':item[0],
            'image':item[1],
            'position':item[2],
            'style':item[3],
            'Belong':item[4],
            'education':item[5],
            'schoolweb':item[6]
        }

步骤三：根据页数循环爬取信息

def main(offset):
    url = 'http://college.gaokao.com/schlist/a14/p'+str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)
        
if __name__ == '__main__':
    for i in range(1,5):
        main(offset=i)
        time.sleep(1)

完整代码如下

import requests
import time
import json
import re
from requests.exceptions import RequestException
from bs4 import BeautifulSoup


def get_one_page(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.162 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        return None
    except RequestException:
        return None



def parse_one_page(html):
    pattern=re.compile('
.*?href="(.*?)".*?(.*?).*?
.*?
(.*?)
'
                        +'.*?
(.*?)
.*?
(.*?)
.*?
(.*?)
',re.S)
    items=re.findall(pattern,html)
    print(items)
    for item in items:
        yield {
            'web':item[0],
            'image':item[1],
            'position':item[2],
            'style':item[3],
            'Belong':item[4],
            'education':item[5],
            'schoolweb':item[6]
        }

def write_to_file(content):
    with open('gaoxiao.txt', 'a', encoding='utf-8') as f:
        f.write(json.dumps(content, ensure_ascii=False) + '\n')


def main(offset):
    url = 'http://college.gaokao.com/schlist/a14/p'+str(offset)
    html = get_one_page(url)
    for item in parse_one_page(html):
        print(item)
        write_to_file(item)

if __name__ == '__main__':
    for i in range(1,5):
        main(offset=i)
        time.sleep(1)

最后爬取实现效果如下（以中大大学为例）
{“web”: “http://college.gaokao.com/school/30/”, “image”: “http://college.gaokao.com/style/college/images/icon/30.png”, “position”: “高校所在地：广东”, “style”: “高校类型：工科”, “Belong”: “高校隶属：教育部”, “education”: “高校性质：本科”, “schoolweb”: “学校网址：www.scut.edu.cn”}