Python简单爬虫实例记录


主要流程分为：

爬取、整理、存储


1.其中用到几个包，包括

requests 用于向网站发送请求，并获得网页代码
BeautifulSoup4 用于处理获得的网页代码，提取有效信息
pandas 用于存储信息
其中在to_excel(‘docname.xlsx’)时，可能去要另外的包
import requests
from bs4 import BeautifulSoup
import re
import json
import pandas
import excel
import sqlite3
# import openpyxl


2.以爬取新浪网址中各个新闻的责任编辑为例子
可以按照倒推的方式确定def的functions
1. 获取到了当条新闻下的网页网址后，如何获得责任编辑？
def getComments(url):
    # 向url对应网址发送请求，获取到的网页内容存储在res中
    res=requests.get(url)
    # 将res内容编码，编码的方式'utf-8'根据网页的charset而定
    res.encoding='utf-8'
    # 因为需要处理res，因此将文本存入soup
不清楚是干嘛的
    soup=BeautifulSoup(res.text,'html.parser')
    # 根据所需要的内容，通过BS4的select选择，得到数组，用[0]取出元素
    # 因为是文本所以直接通过.text得到所需要的内容
    return soup.select('.show_author')[0].text
# 在soup.select('.link')[0]中，若为id则带#
#                             若为class则带.
#                             其他的如a和h1等则无要求
#其中需要层层select并取[0]
#有些有多元素，则需通过for遍历



ii)  根据主页面如何获得各条新闻网页的网址
某行文件是在json中发现，因此通过comments=requests.get(‘url’)再
jd=json.loads(comments.text.strip(‘var data=‘)) 
jd=[‘result’][‘count’][‘total’]    ==>这里为字典中的字典，可以从网页检查元素的preview中查看
==>可转化为字典
  其中要恢复成字典，左右两头多出了什么就要通过strip()去除
有些需要分左右侧分别删除则通过lstrip()与rstrip(),即left和right
==>for ent in ～：
          ent[‘url’]
***)   soup.select()到的所需元素在同一个类中，则可以使用contents[0]区分

***）time与str间的转换
from datetime import date time
Str==>time        dt=datetime.strptime(timesource,’%Y%m%d’)
time==>Str        dt.strftime(‘%Y-%m-%d’)

***)   将list[]各元素连接
‘-‘.join(list) #将list中的各元素以-方式连接
‘’.join([p.text.strip() for p in soup.select(‘#artibody p’)[:-1]])


***)   对于有多页的网址，则需要找到page对应部分改为{}，
然后通过format()进行替换

news_total=[]
for i in range(1,3):
    newsurl=url.format(i)
    newsary=parseListlink(newsurl)
    new_total.extend(newsary)

3. 使用pandas存储数据，其中是DataFrame()功能函数

df=pandas.DataFrame(list)
print(df.head(20))  #显示前20条信息
df.to_excel('news.xlsx') #转存为excel格式，名字为news.xlsx

其中list的格式为

for u in geturl(url):
# 循环开始清空数组
result = {} # 循环开始清空字典
try:
        # 每个条目在新字典赋值
        result['zeren']=getComments(u)
'id']=i
1
    except:
        continue
    #每个条目形成数组
    excel1.append(result)
    #在列表中添加数组
    list.extend(excel1)

4. 存储数据库

df=pandas.DataFrame(list)
print(df.head(20))  #显示前20条信息
# df.to_excel('news.xlsx') #转存为excel格式，名字为news.xlsx

with sqlite3.connect('news.sqlite') as db:
    # 存入news.sqlite文件中的news表格
    df.to_sql('news',con=db)
    # 读取/查询news表格并将数据赋值给df2
    df2=pandas.read_sql_query('SELECT * FROM news',con=db)