Python怎么爬取中国大学排名并且保存到excel中,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。
今天发的是python爬虫爬取中国大学排名,并且保存到excel中,当然这个代码很简单,我用了半小时就写完了,我的整体框架非常清晰,可以直接拿去用,也希望有小白可以学习到关于爬虫的一些知识,当然我也只是在学习中,有不好的地方还麻烦大佬们指正!谢谢!
URL : http://m.gaosan.com/gaokao/265440.html
request 获取 html
beautiful soup 解析网页re 正则表达式匹配内容新建并保存 excel
1from bs4 import BeautifulSoup # 网页解析 获取数据
2import re # 正则表达式 进行文字匹配
3import urllib.request, urllib.error # 制定url 获取网页数据
4import xlwt
5
6def main():
7 baseurl = "http://m.gaosan.com/gaokao/265440.html"
8 # 1爬取网页
9 datalist = getData(baseurl)
10 savepath = "中国大学排名.xls"
11 saveData(datalist,savepath)
12
13# 正则表达式
14paiming = re.compile(r'<td>(.*)</td><td>.*</td><td>.*</td><td>.*</td><td>.*</td>') # 创建超链接正则表达式对象,表示字符串模式,规则
15xuexiao = re.compile(r'<td>.*</td><td>(.*)</td><td>.*</td><td>.*</td><td>.*</td>')
16defen = re.compile(r'<td>.*</td><td>.*</td><td>(.*)</td><td>.*</td><td>.*</td>')
17xingji = re.compile(r'<td>.*</td><td>.*</td><td>.*</td><td>(.*)</td><td>.*</td>')
18cengci = re.compile(r'<td>.*</td><td>.*</td><td>.*</td><td>.*</td><td>(.*)</td>')
19
20# 爬取网页
21def getData(baseurl):
22 datalist = []
23 html = askURL(baseurl) # 保存获取到的网页源码
24 # print(html)
25 #【逐一】解析数据 (一个网页就解析一次)
26 soup = BeautifulSoup(html, "html.parser") # soup是解析后的树形结构对象
27 for item in soup.find_all('tr'): # 查找符合要求的字符串形成列表
28 # print(item) #测试查看item全部
29 data = [] # 保存一个学校的所有信息
30 item = str(item)
31 #排名
32 paiming1 = re.findall(paiming, item) # re正则表达式查找指定字符串 0表示只要第一个 前面是标准后面是找的范围
33 # print(paiming1)
34 if(not paiming1):
35 pass
36 else:
37 print(paiming1[0])
38 data.append(paiming1)
39 if(paiming1 in data):
40 #学校名字
41 xuexiao1 = re.findall(xuexiao, item)[0]
42 # print(xuexiao1)
43 data.append(xuexiao1)
44 #得分
45 defen1 = re.findall(defen, item)[0]
46 # print(defen1)
47 data.append(defen1)
48 #星级
49 xingji1 = re.findall(xingji, item)[0]
50 # print(xingji1)
51 data.append(xingji1)
52 #层次
53 cengci1 = re.findall(cengci, item)[0]
54 # print(cengci1)
55 data.append(cengci1)
56 # print('-'*80)
57 datalist.append(data) # 把处理好的一个学校信息放入datalist中
58 return datalist
59
60
61# 得到指定一个url网页信息内容
62def askURL(url):
63 # 我的初始访问user agent
64 head = { # 模拟浏览器头部信息,向豆瓣服务器发送消息 伪装用的
65 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36"
66 }
67 # 用户代理表示告诉豆瓣服务器我们是什么类型的机器--浏览器 本质是告诉浏览器我们可以接受什么水平的文件内容
68 request = urllib.request.Request(url, headers=head) # 携带头部信息访问url
69 # 用request对象访问
70 html = ""
71 try:
72 response = urllib.request.urlopen(request) # 用urlopen传递封装好的request对象
73 html = response.read().decode("utf-8") # read 读取 可以解码 防治乱码
74 # print(html)
75 except urllib.error.URLError as e:
76 if hasattr(e, "code"):
77 print(e.code) # 打印错误代码
78 if hasattr(e, "reason"):
79 print(e.reason) # 打印错误原因
80 return html
81
82
83# 3保存数据
84def saveData(datalist, savepath):
85 book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象 样式压缩效果
86 sheet = book.add_sheet('中国大学排名', cell_overwrite_ok=True) # 创建工作表 一个表单 cell覆盖
87 for i in range(0, 640):
88 print("第%d条" % (i + 1))
89 data = datalist[i]
90 # print(data)
91 for j in range(0, 5): # 每一行数据保存进去
92 sheet.write(i , j, data[j]) # 数据
93 book.save(savepath) # 保存数据表
94
95
96#主函数
97if __name__ == "__main__": # 当程序执行时
98 # #调用函数 程序执行入口
99 main()
100 # init_db("movietest.db")
101 print("爬取完毕!")
具体实现效果如下
一共600多条数据
具体的过程在代码中也已经清晰的标注好备注,如有不懂可以留言,如果改进的地方,麻烦大佬们指正,谢谢!
看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注亿速云行业资讯频道,感谢您对亿速云的支持。
亿速云「云服务器」,即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘,价格低至29元/月。点击查看>>
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。
原文链接:https://my.oschina.net/u/4848094/blog/4745747