Python爬虫实战之阳光高考专业库爬取

代码截止到2021.6.18

阳光高考的专业库界面的分析换了,这个代码目前来说用不了了,之后可能会更新


直接贴代码了,这不是库的教程,我直接贴代码了

吐槽一下,这网页的源码写的让我调的真难受

import requests
import re
import time


def get_html(url):
    headers = {
        'User-Agent': "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.77 Safari/537.36",
        'Connection': 'close'
    }

    data_ml = {  # 可用可不用
        'key': '1050'
    }

    r = requests.get(url=url, headers=headers)
    r.encoding = r.apparent_encoding
    time.sleep(0.8)  # 慢一点
    return r.text


def main():
    url_ml = "https://gaokao.chsi.com.cn/zyk/zybk/mlCategory.action?key=1050"  # 一级学科目录

    h5 = get_html(url_ml)
    xk = []  # 三级字典格式

    # print(h5)

    rule_num = re.compile('\d\d\d\d\d\d')
    ml_id = re.findall(pattern=rule_num, string=h5)

    rule_china = re.compile('[\u4E00-\u9FA5]{2,8}')
    ml_name = re.findall(string=h5, pattern=rule_china)

    for i in range(len(ml_id)):
        xk.append(
            {
                ml_name[i]: {}
            }
        )

    # print(xk)

    for id_ml in range(len(ml_id)):

        url_fenlei = "https://gaokao.chsi.com.cn/zyk/zybk/specialityesByCategory.action?key=" + ml_id[id_ml]
        h5 = get_html(url_fenlei)

        # 获取这个大类的所有专业
        rule = re.compile('\"_blank\">(.*)</a>')  # 正则匹配前后标签获取专业名称
        _ = re.findall(string=h5, pattern=rule)
        zhuan_ye = []
        for i in range(len(_)):
            if _[i] != '查看':
                zhuan_ye.append(_[i])
        zhuan_ye.pop(0)  # 去除大类名称

        # 这个大类的所有专业代码,包括大类码
        rule = re.compile('<td>(\d{6,})</td>')  # 匹配6位专业码
        daima = re.findall(string=h5, pattern=rule)

        # print(str(len(zhuan_ye)) + " " + str(len(daima)))
        # print(zhuan_ye)
        # print(daima)

        rule2 = re.compile('[\u4E00-\u9FA5]{,20}类$') #  正则表达式是在是调了老半天
        j = 0
        lei = ""
        f = 0
        for i in range(len(zhuan_ye)):
            if re.match(pattern=rule2, string=zhuan_ye[i]):
                xk[id_ml][ml_name[id_ml]][zhuan_ye[i]] = []
                lei = zhuan_ye[i]
                if f == 0:
                    j += 1
                    f = 1
            else:
                xk[id_ml][ml_name[id_ml]][lei].append(
                    (zhuan_ye[i], daima[j])
                )
                j += 1

    return xk
    # print(xk)


if __name__ == '__main__':
    main()

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
爬虫(Web Crawler)是一种自动化程序,用于从互联网上收集信息。其主要功能是访问网页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于网络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的HTML内容。这通常通过HTTP请求实现,如Python中的Requests。 解析内容: 爬虫获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据、NoSQL数据、JSON文件等。 遵守规则: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些网站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重网站的使用政策,并确保对被访问网站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值