python系统学习4——多个爬虫测试案例
Posted 青松冷月
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python系统学习4——多个爬虫测试案例相关的知识,希望对你有一定的参考价值。
通过几天学习,对基础的静态网页、网页信息不是由js等动态显示的网页的爬虫编写有了较好的认识,用几个简单案例进行测试。
在编写过程中要注意几个问题:1、源网页robot.txt中对爬取规则的要求
2、对源网页信息的目标信息的分析
3、编程中注意模块化编写、代码复用和程序稳定性
案例1:全国大学排名
要求爬取全国大学网上2019年的全国大学排名,并展示出排名、名称及分数,由于每一个大学都是在一个tbody标签下,所以利用bs4较为简单
1、技术路线:requests+bs4
2、编写思路:函数分别为:网页爬取部分、数据处理部分、格式化输出部分
3、遇到问题:编写过程中遇到了几个问题:
(1)网页原址较教学视频中的网址有改动,导致出现爬取结果为空,修改后问题解决
(2)在格式化输出中,为了让学校名称居中输出,用到了format函数,并在相应位置用chr(12288)中文空格来填充,结果较为美观
4、实验源码:
import requests from bs4 import BeautifulSoup import bs4 def gethtmlText(url): try: r = requests.get(url, timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "" def fillUnivList(ulist, html): soup = BeautifulSoup(html, "html.parser") for tr in soup.find(\'tbody\').children: if isinstance(tr, bs4.element.Tag): tds = tr(\'td\') ulist.append([tds[0].string, tds[1].string, tds[3].string]) def printUnivList(ulist, num): tplt = "{0:^8}\\t{1:{3}^8}\\t{2:^10}" print(tplt.format("排名", "学校名称", "总分", chr(12288))) for i in range(num): u = ulist[i] print(tplt.format(u[0], u[1], u[2], chr(12288))) def main(): uinfo = [] url = \'http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html\' html = getHTMLText(url) fillUnivList(uinfo, html) printUnivList(uinfo, 20) # 20 univs main()
5、实验截图:
案例2:淘宝网关键词商品爬取
要求爬取淘宝网上“书包”商品信息,并格式化输出商品名、商品价格
(淘宝的robots.txt中“disallow:/”的内容,即淘宝是禁止爬虫进行信息爬取的,这里仍然进行了测试是非常不好的行为。)
1、技术路线:request+re(正则表达式)
2、编写思路:基础框架与案例1类似。
3、问题提出:在编写中要注意以下几个问题:
(1)、在一个url中只有部分商品信息,要爬取更多信息需要有“翻页操作”,为解决这个办法,对网页进行分析发现,每翻一次页,url的末端&s参数会加44,利用这个性质完成翻页过程。
(2)、在实验中,会发现直接爬取无法返回结果,因为淘宝拒绝没有登录信息的访问,所以要在headers字段中加入cookie,通过开发者模式找到cookie(登录,然后找到开发者模式中的 header中的cookie字段),加入到代码中,问题解决。
(3)、关于正则表达式:淘宝页面源码中商品信息如下:以价格举例:"view_price":"129.00",他没有直接写在一个标签中,所以bs4并不理想,用正则表达式进行匹配更简单。
r\'\\"view_price\\"\\:\\"[\\d\\.]*\\"\'这一正则表达式可以很好的匹配价格字段。
4、实验源码:
import re import requests # 获得页面 def getHTMLText(url): try: headers = { "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36", "cookie": "隐私内容,如要使用代码,自行获取cookie" } r = requests.get(url, timeout=30, headers=headers) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return "" # 对页面进行解析 def parsePage(ilt,html): try: plt=re.findall(r\'\\"view_price\\"\\:\\"[\\d\\.]*\\"\',html) tlt=re.findall(r\'\\"raw_title\\"\\:\\".*?\\"\',html) for i in range(len(plt)): price=eval(plt[i].split(":")[1]) #eval去掉双引号 title=eval(tlt[i].split(":")[1]) ilt.append([price,title]) except: print("") # 打印商品信息 def printGoodList(ilt): tplt = "{:4}\\t{:8}\\t{:16}" print(tplt.format("序号", "价格", "商品名称")) count = 0 for g in ilt: count = count + 1 print(tplt.format(count, g[0], g[1])) print("") # 主函数定义 def main(): goods = \'书包\' # 爬取商品 depth = 2 # 爬取深度 start_url = \'https://s.taobao.com/search?q=\' + goods infoList = [] # 返回的结果 for i in range(depth): try: url = start_url + \'&s=\' + str(44 * i) # 加入页码 html = getHTMLText(url) parsePage(infoList, html) except: continue printGoodList(infoList) # 主函数调用 main()
5、实验截图:
此外还进行了股票信息爬取,内容与其他区别不大,且基本没有遇到问题,不再列出
以上是关于python系统学习4——多个爬虫测试案例的主要内容,如果未能解决你的问题,请参考以下文章