【Python爬虫】requests库爬取大学生创业网
上个月学习了用Python的requests库爬虫,前几天有个朋友请我帮忙爬取下大学生创业网里的项目做一个调查分析,我想刚好可以复习下爬虫,所以研究了一下这个网站。
网站地址:https://cy.ncss.cn/search/projects
进入网站,发现需要登录才能显示页面,于是在草稿本上标记一个注意点(我习惯边分析边在草稿本上写)——发送请求的时候,请求头 要带上Cookie,然后使用session去get
登录以后可以看到
我们要的数据内容都在页面上了,项目,项目描述,所属领域,所在地等等
于是F12 打开 开发者工具,我们要的数据显而易见
然而我点击第二页进行查看,发现网页是不跳转的,而内容却刷新了
猜测这个网页是AJAX异步传输的页面,点开Network进行查看,证实了猜测
根据分析可以得到
我们所需的,每一页的内容都可在上图url中获取
我们只需更改url的pageIndex参数即可获取每一页的数据
思路有了,于是可以开始写程序
理清爬虫步骤:
1)写请求头 header和url
2)获取页面
3)提取数据,翻页,写入excel中
class Spider(object):
def __init__(self):
self.url = "https://cy.ncss.cn/search/projectlist?name=&industryCode=&wasBindUniTechnology=&investStageCode=&provinceCode=&pageIndex={}&pageSize=15&"
def Fake_UA(self):
"""返回一个fake header头"""
self.ua = UserAgent(use_cache_server=False)
self.header = {
'User-Agent':self.ua.random,
'Cookie': '',
'Referer': 'https://cy.ncss.cn/search/projects'
}
return self.header
def get_write_name(self,mysheet):
for page in range(0,10,1):
wp_session = requests.session()
wp_session.headers =