【Python网络爬虫】研招网院校库爬取

Python源代码

from bs4 import BeautifulSoup
import xlwt
import requests


def ask_url(url):
    head = {    
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.67 Safari/537.36 Edg/87.0.664.47"
        # "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.183 Safari/537.36 Edg/86.0.622.63"
    }
    try:
        r = requests.get(url, headers=head, timeout=30)
        r.raise_for_status()
        r.encoding = 'utf-8'
        # r.encoding = 'gb18030'
        return r.text
    except:
        return ""
    
    
def get_data(base_url):
    data_list = []
    
    for i in range(0, 43):
        print('Begin page = ' + str(i + 1))
        start = i * 20
        url = base_url + str(start)
        html = ask_url(url)
        if html == "":
            continue
        
        soup = BeautifulSoup(html, 'html.parser')
        # print(soup.prettify())
        
        trs = soup.find_all('tr')
        for i in range(1, len(trs)):
            item = trs[i]
            data = {}
            # 院校名称
            name = item.contents[1].a.string.strip()
            data['name'] = name
            print(name)

            # “双一流”建设高校
            data['double_first_class'] = ""
            if item.contents[1].span:
                data['double_first_class'] = item.contents[1].span.string.strip()
            
            # 所在地
            data['location'] = item.contents[3].string.strip()
            
            # 院校隶属
            data['college_affiliation'] = item.contents[5].string.strip()
            
            data_list.append(data)

    return data_list


def save_data(data_list, save_path):
    book = xlwt.Workbook(encoding='utf-8', style_compression=0)
    sheet = book.add_sheet("院校信息", cell_overwrite_ok=True)
    col = ('院校名称', '双一流', '所在地', '院校隶属')
    en_col = ('name', 'double_first_class', 'location', 'college_affiliation')
    length = len(data_list)
    print('共计' + str(length) + '条数据')
    
    for i in range(0, 4):
        sheet.write(0, i, col[i])
    for i in range(0, length):
        print("\r存储数据进度:{:.2f}%".format((i + 1) * 100 / length), end="")
        for j in range(0, 4):
            sheet.write(i + 1, j, data_list[i][en_col[j]])
                
    book.save(save_path)

    return ""


if __name__ == "__main__":
    base_url = "https://yz.chsi.com.cn/sch/?start="
    save_path = "院校信息数据集.xls"
    
    data_list = get_data(base_url)
    save_data(data_list, save_path)

数据集

在这里插入图片描述

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“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

打赏作者

枯木何日可逢春

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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