python系统学习4——多个爬虫测试案例

Posted 2020-12-14 青松冷月

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