|
|
想必大家都了解爬虫，也就是爬取网页你所需要的信息
相比于网页繁多的爬虫教程，本篇主要将爬虫分为四个部分，以便你清楚，代码的功能以及使用，这四部分分别为
- 1.获取到源代码
- 2.根据网页中的标签特征，获取源代码你所需要的部分
- 3.想一下如何根据页面的逻辑将一系列的网页自动化抓取
- 4.保存数据在xlsx等格式下
接下来说一下每一步的操作
1.获取源代码
现在有很多库来获取，不过现在普遍使用的是requests，我也是用它
导入方式为
import requests
这一部分很简单就一行代码
response = requests.get(url, params = params , headers = headers)
url就是页面的url，网址
params就是查询参数，可选
headers就是页面的请求头，也是可选，不过现在可以必过简易的反爬，主要要有user_agent和cookies
2.根据网页特征获取
这里我用到了BeautifulSoup
导入方式为
from bs4 import BeautifulSoup
具体使用就是
soup = BeautifulSoup(directory, 'html.parser')
其中'html.parser'，它是 Python 内置的解析器，用于解析普通的 HTML 文档。
作用为：首先将html 变量中的 HTML 内容解析为一个 BeautifulSoup 对象 soup，使得后续可以利用 BeautifulSoup 提供的方法来方便地遍历和操作 HTML 文档的各个部分。
至于筛选标签，我主要我是使用了BeautifulSoup中的find和find_all两个函数，是用于查找符合指定标签名和属性条件的元素，这两个函数是有一定的区别的。
find用于查找文档中符合指定条件的第一个元素
find_all用于查找文档中符合条件的所有元素，并返回一个列表
举个例子
first_span = soup.find('span', class_='fl')
这里用find方法查找了第一个 标签，且其 class 属性为 'fl'。
span_list = soup.find_all('span', class_='fl')
这里用find_all 方法查找了所有 标签，且其 class 属性为 'fl' 的元素，将它们存储在 span_list 列表中。
3.自动化抓取
这一部分，得具体网页具体分析了
如一些页面的选择上，如?p=s这一些逻辑，将其写入脚本中，以实现自动化
https://www.xxx.html?p=s
4.保存数据
这部分用到了openpyxl库
导入方式:
from openpyxl import Workbook
首先看一下一下的代码- def create_execl(name):
- wb = Workbook()
- ws = wb.active
- ws.title = name
- excel_headers = ["疾病信息", "问诊类型", "病例url", "医生url", "医生简介", "医生擅长", "医生服务质量", "医生建议", "医生与患者交流"]
- ws.append(excel_headers)
- wb.save(name+".xlsx")
- def write_back_execl(data, name):
- wb = load_workbook(name+".xlsx")
- ws = wb.active
- ws.append(data)
- wb.save(name+".xlsx")
首先函数create_excel(name)是创建一个名为 name的Excel 文件，并写入表头信息。
1.wb = Workbook()：创建一个新的 Workbook 对象，即一个新的 Excel 文件。
2.ws = wb.active：获取当前活动的工作表对象，这是一个 Worksheet 对象。
3.ws.title = name：将当前工作表的名称设置为传入的 name 参数。
4.excel_headers：定义了 Excel 表头的字段，包括 "疾病信息"、"问诊类型" 等。
5.ws.append(excel_headers)：将表头信息添加到第一行。
6.wb.save(name+".xlsx")：保存 Excel 文件，文件名为 name.xlsx，这里的 name 是函数的参数。
函数write_back_excel(data, name)，是用于向已存在的 Excel 文件中写入数据。
1.wb = load_workbook(name+".xlsx")：使用 load_workbook 函数加载已存在的 Excel 文件，文件名为 name.xlsx。
2.ws = wb.active：获取当前活动的工作表对象。
3.ws.append(data)：将数据 data 追加到当前工作表的最后一行。
4.wb.save(name+".xlsx")：保存修改后的 Excel 文件。
反爬
除了基础代码外，我们还得了解一些反爬的技术
- 1.构造请求头
- 2.设置爬取时间间隙
- 3.多设立几个账号
等
以上爬虫简易思路，希望对你们有帮助
来源:https://www.cnblogs.com/l-xx123/p/18345876
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！ |
|
