Python简单爬虫实例记录

Python简单爬虫实例记录

主要流程分为：

爬取、整理、存储

1.其中用到几个包，包括

requests 用于向网站发送请求，并获得网页代码

BeautifulSoup4 用于处理获得的网页代码，提取有效信息

pandas 用于存储信息

  其中在to_excel(‘docname.xlsx’)时，可能去要另外的包 openpyxl

import requests

from bs4 import BeautifulSoup

import re

import json

import pandas

import excel

import sqlite3

# import openpyxl

2.以爬取新浪网址中各个新闻的责任编辑为例子

可以按照倒推的方式确定def的functions

1. 获取到了当条新闻下的网页网址后，如何获得责任编辑？

def getComments(url):

    # 向url对应网址发送请求，获取到的网页内容存储在res中

    res=requests.get(url)

    # 将res内容编码，编码的方式'utf-8'根据网页的charset而定

    res.encoding='utf-8'

    # 因为需要处理res，因此将文本存入soup

    # html.parser不清楚是干嘛的

    soup=BeautifulSoup(res.text,'html.parser')

    # 根据所需要的内容，通过BS4的select选择，得到数组，用[0]取出元素

    # 因为是文本所以直接通过.text得到所需要的内容

    return soup.select('.show_author')[0].text

# 在soup.select('.link')[0]中，若为id则带#

#                             若为class则带.

#                             其他的如a和h1等则无要求

#其中需要层层select并取[0]

#有些有多元素，则需通过for遍历

ii)  根据主页面如何获得各条新闻网页的网址

某行文件是在json中发现，因此通过comments=requests.get(‘url’)再

jd=json.loads(comments.text.strip(‘var data=‘)) 

jd=[‘result’][‘count’][‘total’]    ==>这里为字典中的字典，可以从网页检查元素的preview中查看

==>可转化为字典

  其中要恢复成字典，左右两头多出了什么就要通过strip()去除

  有些需要分左右侧分别删除则通过lstrip()与rstrip(),即left和right

==>for ent in ～：

          ent[‘url’]

***)   soup.select()到的所需元素在同一个类中，则可以使用contents[0]区分

***）time与str间的转换

from datetime import date time

Str==>time        dt=datetime.strptime(timesource,’%Y%m%d’)

time==>Str        dt.strftime(‘%Y-%m-%d’)

***)   将list[]各元素连接

‘-‘.join(list) #将list中的各元素以-方式连接

‘’.join([p.text.strip() for p in soup.select(‘#artibody p’)[:-1]])

***)   对于有多页的网址，则需要找到page对应部分改为{}，

然后通过format()进行替换

news_total=[]

for i in range(1,3):

    newsurl=url.format(i)

    newsary=parseListlink(newsurl)

    new_total.extend(newsary)

3. 使用pandas存储数据，其中是DataFrame()功能函数

df=pandas.DataFrame(list)

print(df.head(20))  #显示前20条信息

df.to_excel('news.xlsx') #转存为excel格式，名字为news.xlsx

其中list的格式为

for u in geturl(url):

    excel1 = [] # 循环开始清空数组

    result = {} # 循环开始清空字典

    try:

        # 每个条目在新字典赋值

        result['zeren']=getComments(u)

        result['id']=i

        i=i+1

    except:

        continue

    #每个条目形成数组

    excel1.append(result)

    #在列表中添加数组

    list.extend(excel1)

4. 存储数据库

df=pandas.DataFrame(list)

print(df.head(20))  #显示前20条信息

# df.to_excel('news.xlsx') #转存为excel格式，名字为news.xlsx

with sqlite3.connect('news.sqlite') as db:

    # 存入news.sqlite文件中的news表格

    df.to_sql('news',con=db)

    # 读取/查询news表格并将数据赋值给df2

    df2=pandas.read_sql_query('SELECT * FROM news',con=db)