python数据爬虫项目

python数据爬虫项目

作者：YRH
时间：2020/9/26

新手上路，如果有写的不好的请多多指教，多多包涵

前些天在一个学习群中有位老哥发布了一个项目，当时抱着满满的信心想去尝试一下，可惜手慢了，抢不到，最后只拿到了项目的任务之间去练习，感觉该项目还不错，所以就发布到博客上来，让大家一起学习学习

一、任务清单

项目名称：国家自然科学基金大数据知识管理服务门户爬取项目
爬取内容：爬取内容：资助项目（561914项）
爬取链接：HTTP://KD.NSFC.GOV.CN/BASEQUERY/SUPPORTQUERY

第一阶段：
1、 需要对申请代码、资助类别和批准年度进行筛选。
2、 爬取信息：
项目名称、批准号、项目类别、项目负责人、批准年度、资助金飞、依托单位、起止年月、申请代码、关键词、研究成果、结题项目


第二阶段：爬取完整的项目信息
1、 根据批准号从链接爬取
2、 需要爬取的信息

二、网页结构分析

1、路线选择

刚开始看到网页是第一时间想到的是使用selenium自动化爬取，但是通过网络请求方式察觉到该网站的数据获取方式是post请求的

所以只有利用post请求方式将传表单到http://kd.nsfc.gov.cn/baseQuery/data/supportQueryResultsDataForNew上，就能获取到数据。
所以最后选择了requests路线进行爬取

2、表单上传结构分析

从网页界面可以看出，想要提取信息必须上传三个参数，分别是申请代码、资助类型和批准年度。这三个所对应的是键是code、projectType和ratifyYear，所以这三个是回去数据各项类型必传的参数。但是当我在访问是一直错误，访问不了，然后就尝试多加几个参数进去，最后发现queryType: "input"这个参数必须上传，否则会报错
在传入参数前必须先看一下参数类型是什么，在Requests Headers中有一个参数Content-Type: application/json，可以看得出传入的参数是json类型的，所有参数必须先转为json类型

三、数据爬取代码

因为该网站数据比较多，所以我将数据保存至MySQL数据库在，如果想执行我代码需要先将访问数据库的代码给修改一下
数据比较多，所以我只爬取了2019年份的数据，没爬全

# -*- coding: utf-8 -*-
# Author : YRH
# Data :
# Project :
# Tool : PyCharm
import json
import requests
import xlwt
import time
import pymysql
import random

#这下面一段是创建数据库的代码，如果需要可以执行下面代码创建数据表
"""CREATE TABLE IF NOT EXISTS `prodectData`(
	`序号` INT UNSIGNED AUTO_INCREMENT,
   `项目名称` varchar(50) not null,
   `批单号` VARCHAR(20) NOT NULL,
   `项目类别` VARCHAR(20) NOT NULL,
   `批准负责人` VARCHAR(20) NOT NULL,
   `批准年度` VARCHAR(20) NOT NULL,
   `资助经费` VARCHAR(20) NOT NULL,
   `依托单位` VARCHAR(20) NOT NULL,
   `起始年月` VARCHAR(20) NOT NULL,
   `申请代码` VARCHAR(20) NOT NULL,
   PRIMARY KEY ( `序号` )
)ENGINE=InnoDB DEFAULT CHARSET=utf8;"""

user_agent = ["Mozilla/5.0 (Windows NT 10.0; WOW64)", 'Mozilla/5.0 (Windows NT 6.3; WOW64)',
              'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
              'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
              'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.95 Safari/537.36',
              'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET '
              'CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; rv:11.0) like Gecko)',
              'Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1',
              'Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3',
              'Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12',
              'Opera/9.27 (Windows NT 5.2; U; zh-cn)',
              'Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0',
              'Opera/8.0 (Macintosh; PPC Mac OS X; U; en)',
              'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.12) Gecko/20080219 Firefox/2.0.0.12 '
              'Navigator/9.0.0.6',
              'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Win64; x64; Trident/4.0)',
              'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)',
              'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; '
              '.NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E)',
              'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Maxthon/4.0.6.2000 '
              'Chrome/26.0.1410.43 Safari/537.1 ',
              'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; '
              '.NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E; '
              'QQBrowser/7.3.9825.400)',
              'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0 ',
              'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.92 '
              'Safari/537.1 LBBROWSER',
              'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; BIDUBrowser 2.x)',
              'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 '
              'TaoBrowser/3.0 Safari/536.11']

db = pymysql.Connect(host="localhost",
                     port=3306,
                     user="root",	#数据库名称
                     password=XXXXX,  #数据库密码
                     db="zzProject", 
                     charset="utf8"
                     )
cur = db.cursor()


def spider(info):
#通过循环生成项目类型编号和申请代码
    i = ["A", "B", "C", "D", "E", "F", "G", "H"]
    projectType = ["218", "220", "222", "339", "429", "432", "433", "649", "579", "630",
                   "631", "632", "635", "51", "52", "2699", "70", "7161"]
    for y in [2019]:  # 可通过这里修改爬取年份，如果想要多个年份爬取，可通过下面那一行进行循环
    # for y in range(2000, 2021):
        print("年度" + str(y))
        for p in projectType:
            print("项目类别编号：" + p)
            for j in i:
                if j == "A":
                    end = 10
                elif j == "B":
                    end = 9
                elif j == "C":
                    end = 22
                elif j == "D":
                    end = 8
                elif j == "E":
                    end = 14
                elif j == "F":
                    end = 8
                elif j == "G":
                    end = 5
                elif j == "H":
                    end = 31
                else:
                    end = 2
                for b in range(1, end):
                    if len(str(b)) == 1:
                        code = j + str(0) + str(b)
                    else:
                        code = j + str(b)
                    # print(code)
                    pac(info, code, y, p)
                    for t in range(1, 10):
                        if len(str(t)) == 1:
                            code2 = code + str(0) + str(t)
                        else:
                            code2 = code + str(b)
                        # print(code)
                        pac(info, code2, y, p)
                        for l in range(1, 10):
                            if len(str(l)) == 1:
                                code3 = code2 + str(0) + str(l)
                            else:
                                code3 = code + str(l)
                            pac(info, code3, y, p)


def pac(info, code, year, projectType):
    url = "http://kd.nsfc.gov.cn/baseQuery/data/supportQueryResultsDataForNew"
    # print(code)
    data = {
     
        "code": code, "ratifyYear": str(year), "projectType": projectType, "queryType": "input",
        "complete": "false", "pageNum": 0, "pageSize": 5
    }

    headers = {
     
        "User-Agent": random.choice(user_agent),
        "Content-Type": "application/json"

    }
    rep = requests.post(url, data=json.dumps(data), headers=headers)
    rep.encoding = rep.apparent_encoding
    text = rep.text
    text = text.replace("\ue06d", "").replace("\u2022", "")
    data = eval(text)
    if len(data["data"]["resultsData"]) == 0:
        # print(1)
        pass
    else:
        # print(data["data"]["resultsData"])
        data = data["data"]["resultsData"]
        for d in data:
            try:
                name = d[1]  # 项目名称
                # print(name)
            except:
                name = " "  # 项目名称
                # print(name)

            try:
                num = d[2]  # 批单号
                # print(num)
            except:
                num = " "  # 批单号
                # print(num)

            try:
                itemCl = d[3]  # 项目类别
                # print(itemCl)
            except:
                itemCl = " "  # 项目类别
                # print(itemCl)

            try:
                itemLe = d[5]  # 批准负责人
                # print(itemLe)
            except:
                itemLe = " "  # 批准负责人
                # print(itemLe)

            try:
                year = d[7]  # 批准年度
                # print(year)
            except:
                year = " "  # 批准年度
                # print(year)

            try:
                money = str(d[6]) + "(万元)"  # 资助经费
                # print(money)
            except:
                money = " "  # 资助经费
                # print(money)

            try:
                supOrg = d[4]  # 依托单位
                # print(supOrg)
            except:
                supOrg = " "  # 依托单位
                # print(supOrg)

            try:
                startData = d[-2]  # 起始年月
                # print(startData)
            except:
                startData = " "  # 起始年月
                # print(startData)

            try:
                code = d[-3]  # 申请代码
                # print(code)
            except:
                code = " "  # 申请代码
                # print(code)

            # print("=" * 30)

            # info.append([name, num, itemCl, itemLe, year, money, supOrg, startData, code])   #当数据保存至excel是使用这个

            # =====================================
            # 保存至mysql
            try:
                op = "insert into prodectdata (项目名称,批单号,项目类别,批准负责人,批准年度,资助经费,依托单位,起始年月," \
                     "申请代码) " \
                     "values ('%s','%s','%s','%s','%s','%s','%s','%s','%s')" % \
                     (str(name), str(num), str(itemCl), str(itemLe), str(year), str(money), str(supOrg),
                      str(startData), str(code))
                cur.execute(op)
                db.commit()
            except:
                pass
            # ======================================

            time.sleep(0.5)


def save(info):  # 保存数据至excel
    print("save.....")
    workbook = xlwt.Workbook(encoding="utf-8")  # 创建workbook对象
    movieBook = workbook.add_sheet("sheet1")  # 创建工作表
    # 输入头标签
    head = ["项目名称", "批单号", "项目类别", "批准负责人", "批准年度", "资助经费", "依托单位", "起始年月", "申请代码"]
    for i in range(0, len(head)):
        movieBook.write(0, i, head[i])  # 参数1是行，参数2是列，参数3是值

    # 数据逐行输入
    y = 1
    for a in info:
        print("成功保存：" + str(y))
        for x in range(0, len(a)):
            movieBook.write(y, x, a[x])
        y += 1

    workbook.save("资助项目信息.xls")  # 保存数据表


if __name__ == '__main__':
    info = []
    spider(info)
    # save(info)  #如果是保存至excel的话，请带有改方法
    db.close()

四、数据结果展示

新手上路，多多指教