爬取cnvd资料

首先这个网站存在反爬机制，第二，这个是以post的形式传入的，爬取这2点都有难度

我这里直接贴代码，有注释

import requests
import xlwt
from lxml import etree
import re
from fake_useragent import UserAgent
ua = UserAgent()
url='https://www.cnvd.org.cn/flaw/list.htm?flag=true'
headers = {
     
        "User-Agent": ua.random,
            }
resp = requests.post(url, data={
     'max': 20, 'offset': 0, 'keyword': 'office', 'condition': 1, 'baseinfoBeanbeginTime': '2016-01-01', 'baseinfoBeanendTime': '2020-08-26', 'referenceScope': 1, 'manufacturerId': -1, 'categoryId': -1, 'editionId': -1, 'baseinfoBeanFlag': 0, 'keywordFlag': 0, 'cnvdIdFlag': 0}, headers=headers)   #post传参内容
text =resp.text
urlhref = re.findall(r'href="/flaw/show(.*?)"', text)
domain = "https://www.cnvd.org.cn/flaw/show"
for urlhrefs in urlhref:
    aas = domain + urlhrefs        #此段url为真实的url,需要上一段代码提取cnvd的编号与domain的网端组成真正需要爬取的url
    resps = requests.get(aas, headers=headers)
    texts = resps.text
    html = etree.HTML(texts)
    title = html.xpath("//div[@class='blkContainerSblk']//h1/text()")
    CVE = re.findall(r'target="_blank">(.*?) 
', texts)       #用正则爬取
    CNVD = html.xpath("normalize-space(//table[@class='gg_detail']//tr[1]/td[2]/text())")
    shijian = html.xpath("normalize-space(//table[@class='gg_detail']//tr[2]/td[2]/text())")
    product = html.xpath("normalize-space(//table[@class='gg_detail']//tr[4]/td[2]/text())")
    miaosu = html.xpath("normalize-space(//table[@class='gg_detail']/tbody/tr[6]/td[2]//text())")
    leixing = html.xpath("normalize-space(//table[@class='gg_detail']//tr[7]/td[2]/text())")
    print(miaosu)

对于反爬机制，我们可以用随机ua，也可以用代理ip，关于爬取代理ip,我上一篇文章有源码，也可以将header里面的内容增多，将线程变为单线程

https://www.cnblogs.com/xinxin999/p/13418524.html

爬取cnvd，需要注意的是他post里面的参数keywords是关键词,max是一页最大的内容，我现在设置的是20篇，最大可以是100.offset是位移量，比如你设置的max为20，你想要爬取5页，offset就设为100.

这里只截了部分图，数据处理各位兄弟们自行完善。