时间戳

首页 > 技术文章 > 数据采集技术第一次作业

数据采集技术第一次作业

chu-3 2020-09-27 22:06 原文

1）UniversityRanking实验

作业要求：用requests和BeautifulSoup库方法定向爬取给定网址（http://www.shanghairanking.cn/rankings/bcur/2020 ）的数据，屏幕打印爬取的大学排名信息。

（1）代码部分

import requests
from bs4 import BeautifulSoup
url = 'http://www.shanghairanking.cn/rankings/bcur/2020'
headers = {
        "User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre"
        }
r = requests.get(url = url,headers = headers)
r.encoding = 'utf-8'
page_text = r.text
soup = BeautifulSoup(page_text,"lxml")
all_list=[]
tr_list = soup.findAll("tr")
for tr in tr_list:
    arr = []
    td_list = tr.findAll("td")
    if len(td_list)==0:
        continue
    for td in td_list:        
        arr.append(td.text)
    all_list.append(arr)
print("排名 学校名称 省市 学校类型 总分")
for row in all_list:
    row[0]=row[0].strip()
    row[1]=row[1].strip()
    row[2]=row[2].strip()
    row[3]=row[3].strip()
    row[4]=row[4].strip()
    print(row[0],row[1],row[2],row[3],row[4])

自己后面看了xpath也写了一下，感觉xpath表达式的用法和select大致上一样，感觉就是稍微改了一下一些符号。

from lxml import etree
import requests
url = 'http://www.shanghairanking.cn/rankings/bcur/2020'
headers = {
        "User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre"
        }
r = requests.get(url = url,headers = headers)
r.encoding = 'utf-8'
page_text = r.text
tree = etree.HTML(page_text)
print("排名 学校名称 省市 学校类型 总分")
tr_list = tree.xpath('//table[@class="rk-table"]/tbody/tr') 
for tr in tr_list:
    td_1 = tr.xpath('./td[1]//text()')[0].strip()
    td_2 = tr.xpath('./td[2]//text()')[0].strip()
    td_3 = tr.xpath('./td[3]//text()')[0].strip()
    td_4 = tr.xpath('./td[4]//text()')[0].strip()
    td_5 = tr.xpath('./td[5]//text()')[0].strip()
    print(td_1,td_2,td_3,td_4,td_5)

运行结果

一共有567所高校

（2）心得体会

第一次上手的感觉还是有点难度，在定位标签的时候就花了不少时间，而且提取标签中我们所需要的文本中也夹带着'\n'，'\t'，花了不小功夫才解决这些问题。经过这一次实验，自己对爬虫的步骤有了大致的了解。
1、指定url
2、UA伪装
3、发起请求
4、获取响应数据并解析
5、持久化存储。
自己对resquests库的用法也有了了解，自己也会看一些抓包工具，昨天自己用xpath来解析感觉速度就快了很多。经过这次实验，算是小小的入门吧。

2）GoodsPrices实验

作业要求：用requests和re库方法设计某个商城（自已选择）商品比价定向爬虫，爬取该商城，以关键词“书包”搜索页面的数据，爬取商品名称和价格。

（1）代码部分

from bs4 import BeautifulSoup
import requests
headers = {
        "User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre"
        }
url = "https://search.jd.com/Search?keyword=书包&page=%d"  #自定义自己要爬取的页数,这里page步长2实际上只有1个页面
r = requests.get(url = url,headers=headers)
r.encoding = 'utf-8'  
text = r.text
soup = BeautifulSoup(text,"lxml")
count = 1
print("序号 价格\t商品名称")
for j in range(1,10,2):
    new_url = format(url,str(j))      #j要为字符串类型
    tags1 = soup.select("div[class='p-price'] strong i")   #定位2种标签
    tags2 = soup.select("div[class='p-name p-name-type-2'] a em")
    for i in range(len(tags1)):
        print(count,tags1[i].text,tags2[i].text.replace("\n","").replace("京东超市","").replace("\t",""))#去掉不必要的空格
        count = count + 1
    s=j//2+1
    print("=========================第"+str(s)+"页商品打印完毕=========================")


（2）心得体会

这次爬取京东商品的实验我用的是select，感觉select还蛮好用的，正则的话感觉难度有点大，并且我没有加入刷新商品的模块，一个页面只能显示出一半的商品（30）个，并且前两天爬虫的时候好像一定要加头部了，不加头部就访问不了。这里page值为0，1时是第一页，2，3是第二页，以此类推，所以遍历的时候步长要取2。
感觉数据解析只要定位到标签的位置，剩下的就比较简单了。

3）JPGFileDownload实验

作业要求：爬取一个给定网页（http://xcb.fzu.edu.cn/html/2019ztjy）或者自选网页的所有JPG格式文件

（1）代码部分

import os 
import requests
from bs4 import BeautifulSoup
import re
if not os.path.exists('./JpgFile'):  #当文件夹不存在的时候，在当前目录下创建该文件夹
    os.mkdir('./JpgFile')
headers = {
        "User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 6.0 x64; en-US; rv:1.9pre) Gecko/2008072421 Minefield/3.0.2pre"
        }
url = 'http://xcb.fzu.edu.cn/'
r = requests.get(url = url,headers = headers).text
soup = BeautifulSoup(r,"lxml")
path_list = []
tags1 = soup.select("img[src$='jpg']")
for tag in tags1:
    if tag["src"][0] =='/':     #判断我们所获取的图片网址是不是完整的，不是的话要补成完成的地址
        tag["src"] = 'http://xcb.fzu.edu.cn' +  tag["src"]   
    path_list.append(tag["src"])
list2 = re.findall("/attach.*?jpg",r,re.I) #正则表达式匹配我们所需要的图片网址
for i in list2:                            #re.I忽略正则表达式的大小写，因为有个是大写的JPG
    i = 'http://xcb.fzu.edu.cn'+i
    path_list.append(i)
print(len(path_list))
for path in path_list:
    jpg_data = requests.get(url=path,headers=headers).content
    jpg_name = path.split('/')[-1]    #获取图片名称
    path_name = './JpgFile/'+jpg_name 
    with open(path_name,'wb') as fp:
        fp.write(jpg_data)
        print(jpg_name,"下载完毕!!!")


（2）心得体会

这次实验相较前两次难度会大一些，不过有了前两次实验的铺垫，这次实验做起来也比较得心应手。首先创建一个文件夹来保存所有的图片，用select来找出我们要的jpg文件的链接，这里要注意补全网址。我访问的网址是http://xcb.fzu.edu.cn/，这里有点坑，有5张图片是在一个文本中，并且有一张是大写的JPG，所以得用正则表达式来匹配到我们所需要的图片的地址，re.I忽略大小写，然后再补全网址。然后对每个图片地址发起url请求，这里获取二进制数据，然后给图片命名，依次写入文件夹。

推荐阅读