实验报告十 网络爬虫

1.批量爬取中国工程院院士信息，把每位院士的文字介绍保存到该院士名字为名的记事本文件中，照片保存到该院士名字为名的jpg文件中。

注意事项要安装各种数据库

比如，下面的代码用pycharm运行的话先安装数据库。

1.先打开朋友charm->

 2.按terminal按键以后就会发现一个这样的窗口

在这里要输入开始安装数据库。

pip install pandas

pip install requests

安装完两个数据库以后可以用下面的d

 

import time
import requests
import re
from multiprocessing import Pool
import os
import pandas as pd

def to_exel(result_list, columns, file):
    writer = pd.ExcelWriter(file)
    df = pd.DataFrame(result_list, columns=columns)
    # logging.info("df = pd.DataFrame(result_list, columns=columns)")
    df.to_excel(writer, startrow=0, startcol=0, sheet_name='院士信息', index=False)
    writer.save()
    writer.close()

def run(a_url, headers):
    
    
    print("子进程ID号:%d\n" % (os.getpid()))  # os.getpid()进程ID
    # 获取院士详细资料的页面
    new_url = "https://ysg.ckcest.cn" + a_url
    r = requests.get(new_url, headers)
    # print(r.text)
    try:
        
        
        # 获取院士姓名
        name = re.findall('<div><h4\sclass="row">姓名</h4><span>:</span><h4>(.*?)</h4></div>', r.text)[0]
        # 性别
        sex = re.findall('<div><h4\sclass="row">性别</h4><span>:</span><h4>(.*?)</h4></div>', r.text)[0]
        # 族别
        nation = re.findall('<div><h4\sclass="row">民族</h4><span>:</span><h4>(.*?)</h4></div>', r.text)[0]
        # 本科院校
        college = re.findall('<span>(.*?)&nbsp;.*?\s*?学士学位\s*?</span>', r.text)[0]
        # 入选院士年份
        year = re.findall('<div><h4 class="row">当选年份</h4><span>:</span>\s*?<h4 style="width: 300px;">\s*?中国工程院院士&nbsp;\s*(.*?)<br>\s*.*?</h4>\s*?</div>', r.text, re.S)[0]
        # 为每个院士创建文件夹
        os.makedirs("./院士/%s" % name)
        picture_url = re.findall('<img\sclass="img_fit_cover"\ssrc="(.*?)">', r.text)
        picture = requests.get("http:" + picture_url[0], headers)
        with open("./院士/%s/%s.jpg" % (name, name), 'wb') as f:
            f.write(picture.content)
        introduce_num = re.findall('html/details/(.*?)/index.html', a_url)[0]
        # print(introduce_num)
        introduce_url = "https://ysg.ckcest.cn/html/details/subnav/content/" + introduce_num + "/detail_grxx_grjj"
        introduce_page = requests.get(introduce_url, headers)
        introduce = re.findall('<div class="container"><p>(.*?)</p>', introduce_page.text)[0]
        with open("./院士/%s/%s.txt" % (name, name), 'w', encoding='utf-8') as f:
            f.write(introduce)
        print(name, sex, nation, college, year)
        print("%s院士保存成功！"%name)
        return [name, sex, nation, college, year]
    except (FileExistsError, IndexError) as e:
        print(str(e))


if __name__ == "__main__":
    # 计算耗时
    end1 = time.time()

    print("父进程启动：%d" % os.getpid())
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'
    }
    results = []
    for i in range(0, 1):
        print("第{}轮".format(i))
        url = "https://ysg.ckcest.cn/ysgList/api/index?pageSize=113&pageNum="+str(i)+"&_=1655211977545"
        req = requests.get(url, headers)
        # 原本re正在表达式中'\\'匹配'\'，但是python中反斜杠本身就用于转义，故使用'\\\\'匹配'\'
        url_lists = re.findall('<a\shref=\\\\"(.*?)\\\\"\starget=\\\\"_blank\\\\">', req.text, re.S)
        # 去重
        url_lists = list(set(url_lists))

        processes = []
        pool = Pool(10)  # 设置最大进程数设置为10
        for a_url in url_lists:
            # 创建子进程
            try:
                p = pool.apply_async(func=run, args=(a_url, headers))  # func进程执行的任务, args传参数（元组）
                processes.append(p)
            except:
                print("进程启动失败！")
        pool.close()
        pool.join()
        for p in processes:
            if p.get() is not None:
                results.append(p.get())
        # 等待一段时间，防止被网站认为认为是攻击而强制关闭连接
        time.sleep(1)
    # 写入Exel
    to_exel(results, ['姓名', '性别', '族别', '本科学校', '入选院士年份'], "院士信息汇总.xlsx")
    end2 = time.time()
    print("耗时:%.2f秒" % (end2 - end1))

成功运行后：

2.根据院士名单，爬取该院士性别，族别信息；根据院士简介提取该院士就读本科学校，入选院士年份；将院士姓名，性别，族别信息，本科学校，入选院士年份信息写入excel文件。 

代码就上面的那个。 

 做这个作业时遇到了不少的问题，比如exel表格输出每次这样，这让我崩溃了，因此我做了不少的功课。最终还是失败了，但灵机一动用了一下别人代码就成功了哈。

 如果你们也遇到了上面的问题找办法解决，能解决的跟我说一声

 谢谢大家的浏览。