爬虫-商务部新闻

'''
爬取页面:22-31 , 共(7815)条数据
'''
import requests,time
from lxml import etree
from pymysql import *
class DataItem(object):
    def __init__(self,theme,sourcetype,sourcename,url):
        self.tree = self.request_html(url)
        self.theme = theme # 归类--eg:机构消息,公文
        self.sourcetype = sourcetype # 信源类型--eg:中央国家机关
        self.sourcename = sourcename # 信源名称--eg:农业部,商务部
        self.c_time = time.strftime('%Y-%m-%d') # 爬虫时间
        self.listname = ''# 标题
        self.content = '' # 正文
        self.abstract = '' # 摘要
        self.p_s_time = 0 # 发布时间时间戳
        self.p_time = '' # 发布时间
        self.link = '' # url地址
        self.keywords = '' # 关键词
        # self.parse1_html()
        self.parse2_html()


    def request_html(self,url):
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'
        }
        response = requests.get(url, headers=headers).content.decode('utf-8')
        # print(responses)
        # with open('人事工作动态.html','w',encoding='utf-8') as f:
        #     f.write(response)
        tree = etree.HTML(response)
        return tree
    # 第一版
    def parse1_html(self):
        href_list = self.tree.xpath('//ul[@class="u-newsList01 f-mt10"]//a/@href')
        # print(href_list)
        base_url = 'http://www.mofcom.gov.cn'
        for href in href_list:
            detail_url = base_url + href
            # 根据详情页路由发起第二次请求
            # with open('人事工作动态_详情.html','w',encoding='utf-8') as f:
            #     f.write(response2)
            # print(response2)
            tree2 = self.request_html(detail_url)
            listname_list = tree2.xpath('//head/title/text()')
            # print(listname_list)
            self.listname = listname_list[0]
            # print(listname)
            content_list = tree2.xpath('//div[@id="zoom"]//p//text()')
            if content_list:
                self.content = ''.join(content_list)
            else:
                content_list = tree2.xpath('//section[@id="zoom"]//p//text()')
                self.content = ''.join(content_list)
            # print(content)
            p_time_list = tree2.xpath('//head/meta[@name="PubDate"]/@content')
            # print(p_time_list)
            self.p_time = p_time_list[0]
            print(self.p_time)
            self.link = detail_url
            # 调用写入数据库函数
            # self.write_mysql()
    # 优化版
    def parse2_html(self):
        href_list = self.tree.xpath('//ul[@class="u-newsList01 f-mt10"]//a/@href')
        # print(href_list)
        base_url = 'http://www.mofcom.gov.cn'
        for href in href_list:
            detail_url = base_url + href
            # 根据详情页路由发起第二次请求
            # with open('人事工作动态_详情.html','w',encoding='utf-8') as f:
            #     f.write(response2)
            # print(response2)
            tree2 = self.request_html(detail_url)
            listname_list = tree2.xpath('//head/title/text()')
            # print(listname_list)
            self.listname = listname_list[0]
            # print(self.listname)
            # 获取正文 , 先判断正文是否是图片
            img_list = tree2.xpath('//div[@id="zoom"]//p/img/@src')
            if img_list:
                self.content = img_list[0]
            else:
                content_list = tree2.xpath('//div[@id="zoom"]//p//text()')
                if content_list:
                    self.content = ''.join(content_list)
                else:
                    content_list = tree2.xpath('//section[@id="zoom"]//p//text()')
                    self.content = ''.join(content_list)
            # print(self.content)
            p_time_list = tree2.xpath('//head/meta[@name="PubDate"]/@content')
            # print(p_time_list)
            self.p_time = p_time_list[0]
            print(self.p_time)
            self.link = detail_url
            # 调用写入数据库函数
            self.write_mysql()
            # 判断正文中是否有其他链接 , 获取后并跳转 , 有的链接已失效
            content_url_list = tree2.xpath('//div[@class="relative"]//li/a/@href')
            if content_url_list:
                for redirect_url in content_url_list:
                    try:
                        tree3 = self.request_html(redirect_url)
                        listname_list = tree3.xpath('//head/title/text()')
                        # print(listname_list)
                        self.listname = listname_list[0]
                        # print(self.listname)
                        # 获取正文 , 先判断正文是否是图片
                        img_list = tree2.xpath('//div[@id="zoom"]//p/img/@src')
                        if img_list:
                            self.content = img_list[0]
                        else:
                            content_list = tree2.xpath('//div[@id="zoom"]//p//text()')
                            if content_list:
                                self.content = ''.join(content_list)
                            else:
                                content_list = tree2.xpath('//section[@id="zoom"]//p//text()')
                                self.content = ''.join(content_list)
                        # print(self.content)
                        p_time_list = tree3.xpath('//head/meta[@name="PubDate"]/@content')
                        # print(p_time_list)
                        self.p_time = p_time_list[0]
                        print(self.p_time)
                        self.link = redirect_url
                    except:
                        self.link = redirect_url
                        self.listname = '此页面已不存在'
                        self.content = '无'
                        self.p_time = '无'
                    # 调用写入数据库函数
                    self.write_mysql()
    # 写入数据库
    def write_mysql(self):
        conn = connect(
            host = 'localhost',
            database = 'changwei',
            user = 'root',
            password = '200311',
            charset = 'utf8',
            port = 3306
        )
        cur = conn.cursor()
        sql = 'insert into dataitem (theme,sourcetype,sourcename,c_time,listname,content,abstract,p_s_time,p_time,link,keywords) values (%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)'
        lis = [self.theme, self.sourcetype, self.sourcename, self.c_time, self.listname, self.content, self.abstract,
            self.p_s_time, self.p_time, self.link, self.keywords]
        cur.execute(sql,lis)
        conn.commit()
        cur.close()
        conn.close()

if __name__ == '__main__':
    # 人事工作动态(完成)
    # for i in range(2,6):
    #     url = 'http://www.mofcom.gov.cn/article/jhguihua/redianzhuizong/?{}'.format(i)
        # DataItem('公文','中央国家机关','商务部',url)
    #政策发布(完成)
    # for i in range(1,4):
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/huiybz/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)
    # 招标邀标公告(完成)
    # for i in range(8,45):
    #     time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/zhaobiao/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)

    # 单一来源公告
    # for i in range(1,3):
    #     # time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/dyly/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)
    # 竞争性谈判公告
    # for i in range(1, 8):
    #     # time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/jzxtp/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)
    # 预审公告
    # for i in range(1, 3):
    #     # time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/ysgg/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)
    # 更正公告
    # for i in range(1, 23):
    #     # time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/gengzheng/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)
    # 中标公告
    # for i in range(23, 29):
    #     time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/zhongbiao/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)
    # 废标流标公告
    # for i in range(1,12):
    #     time.sleep(0.5)
    #     url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/feibiao/?{}'.format(i)
    #     DataItem('公文', '中央国家机关', '商务部', url)

    # 结果公告
    for i in range(1,22):
        time.sleep(0.5)
        url = 'http://www.mofcom.gov.cn/article/cwgongzuo/jingmaoluntan/jieguo/?{}'.format(i)
        DataItem('公文', '中央国家机关', '商务部', url)














  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如果您下载了本程序,但是该程序存在问题无法运行,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的)。另外,您不会使用资源的话(这种情况不支持退款),也可以找我们帮助(需要追加额外费用) 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请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的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库、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库、NoSQL数据库、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。
如果您下载了本程序,但是该程序存在问题无法运行,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的)。另外,您不会使用资源的话(这种情况不支持退款),也可以找我们帮助(需要追加额外费用) 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请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的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库、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库、NoSQL数据库、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。
如果您下载了本程序,但是该程序存在问题无法运行,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的)。另外,您不会使用资源的话(这种情况不支持退款),也可以找我们帮助(需要追加额外费用) 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请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的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库、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库、NoSQL数据库、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。
如果您下载了本程序,但是该程序存在问题无法运行,那么您可以选择退款或者寻求我们的帮助(如果找我们帮助的话,是需要追加额外费用的)。另外,您不会使用资源的话(这种情况不支持退款),也可以找我们帮助(需要追加额外费用) 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请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的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库、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库、NoSQL数据库、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
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