爬虫一：爬取信息

-------------------------------------------
--------------爬虫的思路-------------------
-------------------------------------------
先判断网页是否允许爬虫
（1）get_html()获取源码
　　1、不允许就加上headers头部信息，模拟用户访问
　　 headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.81 Safari/537.36'}
　　2、请求进入网页
　　　　request = urllib2.Rwquest(url,headers = headers)
　　3、打开网页
　　　　response = urllib2.urlopen(request)
　　4、获取源码
　　　　text = response.read()

（2）get_Url()获取标题或者内容
　　1、进入网页寻找网页中我们寻找的内容部分
　　2、找到标题或者内容那一部分，通过正则表达式匹配该部分
　　　　pattern = re.compile('<a href="/story/(.*?)"',re.S)# re.S匹配换行符
　　3、在整个网页中匹配这个内容
　　　　items = re.findall(pattern,html)
　　4、打印出来
　　　　urls = []#多个页面，把每个页面的编码放到list中
　　　　for item in items:
　　　　urls.append('http://daily.zhihu.com/story/'+item)
　　　　#print urls[-1] #切片
　　　　return urls
　　5、调用显示

（3）多页的显示
　　1、看每页的网址的区别，一般是在后面加上+str(page)
　　2、然后分别调用每页的内容

（4）把获取的内容写到文件中保存
　　items = pattern.compile(patten,html)
　　with open('test.txt','w') as test:
　　for item in items:
　　test.write(item)#往文件中写内容
　　test.write("\n")#换行

我们如果想爬取一个网页，那么就需要打开网页获取网页的源码，一般使用谷歌和火狐稍微好点，现在教你们怎样获取网页源码：

1、打开网页，在网页空白处右击选择查看网页源代码；

2、进入源代码查找你需要用到的信息，复制下来，然后用正则匹配下来，我们有个懒惰匹配（.*?）就是代表你要获取的内容，不需要可以用.*?代替，很长的数字可以用\d+代替等等，具体的正则表达式看我之前的帖子http://www.cnblogs.com/zhangjiansheng/p/6853729.html，里面有详细描述。

比如下面这个例子：

<tr><td>1</td><td>989584027708</td><td>(香港地区)National_Bank_Abu_Dhabi</td><td>00852-341343660</td><td>18/F_Nine_Queens_Road_Central</td></tr>

 <tr><td>\d+</td><td>\d+</td><td>(.*?)</td><td>(.*?)</td><td>(.*?)</td></tr>

爬虫一：爬取信息

以上只是爬取没有反爬机制的网页。

下面是用正则与urllib编写的一个爬虫，用来爬取http://furhr.com/，把所有的银行名称，联系电话，银行地址爬取下来，并把爬取到的内容放到Excel表格内，具体程序如下所示：

# -*- coding:utf-8 -*-
__author__ = 'Demon'

import xlwt#excel表格函数
import urllib,re

def getdata():
    url_list = []
    for i in range(1,100):
        url = 'http://furhr.com/?page={}'.format(i)#多页调用
        #print url
        try:#错误处理
            html = urllib.urlopen(url).read()#打开网页获取源码
            #print html
        except Exception as e:
            print e
            continue
        #正则表达式 获取想要获取的内容
        page_list = re.findall(r"<tr><td>\d+</td><td>\d+</td><td>(.*?)</td><td>(.*?)</td><td>(.*?)</td></tr>",html)
        #print page_list
        url_list.append(page_list)#把匹配到的内容放到list里面
    return url_list

def excel_write():
    newTable = 'test.xls'#新建一个excel表格并命名
    wb = xlwt.Workbook(encoding='utf-8')#申明表格编码格式
    ws = wb.add_sheet('test1')#增加表格单元
    headData = ['公司名称','电话','地址']#写表头
    for colnum in range(0,3):
        ws.write(0,colnum,headData[colnum],xlwt.easyxf('font: bold on'))
        #把表头写在第0行，0,1,2这三列，并把字体设置为加粗
    index = 1
    for item in items:#把数据写到表格里面
        for j in range(0,len(item)):
           for i in range(0,3):
#               print item[j]
               print item[j][i]
               ws.write(index,i,item[j][i])
           index +=1
    wb.save(newTable)

if __name__ == "__main__":#判断函数入口
    items = getdata()#调用网页源码获取函数
    excel_write()#调取Excel函数，把数据放在Excel中

爬取的结果如下图所示：

爬虫一：爬取信息

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：爬虫一：爬取信息 - Python技术站

相关文章