Python爬虫实战—爬取一个大学中某个学院的教师信息并存储

学习学习~~

已于 2022-10-10 15:56:27 修改

阅读量2.2k

点赞数 1

分类专栏：爬虫文章标签： python 爬虫 pandas

于 2022-10-10 15:43:39 首次发布

本文链接：https://blog.csdn.net/weixin_52783226/article/details/127240655

版权

爬虫专栏收录该内容

1 篇文章 0 订阅

订阅专栏

前言

本文是作者学习爬虫内容后进行的一次实战并总结，也只是总结，没有用于其他用途(⊙o⊙)…

一、爬虫是什么？

既然学习爬虫了，要先明白爬虫是个啥？

百度一下：

网络爬虫是一种自动获取网页内容的程序，是搜索引擎的重要组成部分。网络爬虫为搜索引擎从万维网下载网页。

学习时视频里的老师简单概述的：

客户端给服务器发送一个请求，服务器接收后，给出一个响应，这个响应是以html格式输出的，里面就是咱们要爬取的内容（用代码模仿正常的浏览器去向服务器发送请求，服务器响应的内容就是咱们要爬取的），可以看下图，更生动一些。

二、简要介绍要使用的库

1. urllib 库

urllib 库是 python 内置的 HTTP 请求库，包括以下模块：

urllib.request 请求模块
urllib.error 异常处理模块
urllib.parse url 解析模块
urllib.robotparser robots.txt 解析模块

这个网站是get请求方式（按f12，点击网络，刷新，可以看到发出和响应的信息）

import urllib.request
# 获取一个get请求
response = urllib.request.urlopen("https://xxxx") # 网站的地址url
print(response.read().decode("utf-8")) # 获取网页源码并转码

代码结果输出如下（只截取部分）

上面是get请求，那post请求呢？

如下：

import urllib.request
import urllib.parse
url = "http://httpbin.org/post"
cookie = '''
    JSESSIONID=1C56AA5DBE020FEAB6C50F7FDDE68110
   '''
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36"
}
# 加上头部信息，不容易被查出是爬虫，按f12，点击网络，刷新，可以看到所有的请求信息，User-Agent直接复制过来
data = bytes(urllib.parse.urlencode({"Cookie":cookie}),encoding='utf-8')
#  #模拟登陆获取信息，字典的数据是账号密码、cookie等
req = urllib.request.Request(url=url,data=data,headers=headers,method="POST")
response = urllib.request.urlopen(req)
print(response.read().decode('utf-8'))

代码结果输出如下（没有headers时的结果）（出现这个结果就是post请求是成功的）：

注意：看上图的User-Agent这个后面是Python..，这是因为我没有带headers信息，所以如果不带这个headers，在真实的爬取中，会百分百被识别是爬虫的。

带上headers在爬取一次：

可以看到User-Agent这个是咱们自己的浏览器信息，cookie也带上了，这样网站不容易查出咱们是爬虫。

2.BeautifulSoup 库

BeautifulSoup 是 Python 的一个第三方库，可以用来解析 html 数据，我们使用它的主要功能就是从网页抓取解析数据：

BeautifulSoup 提供一些简单的、python 式的函数用来处理导航、搜索、修改分析树等功能
BeautifulSoup 通过解析文档为用户提供需要抓取的数据
BeautifulSoup 自动将输入文档转换为 Unicode 编码，输出文档转换为 utf-8 编码

BeautifulSoup 将复杂的 HTML 文档转换成一个复杂的树形结构，每个节点都是 Python对象。所有对象可以归纳为4种类型：

Tag：HTML 或者 XML 中的标签
NavigableString：标签中的文本内容（不包含标签）
BeautifulSoup：BeautifulSoup 对象表示一个文档的全部内容，支持遍历文档树和搜索文档树
Comment：HTML和XML中的注释

利用 BeautifulSoup() 将上面读取到的 html 文档进行转换，如下：

import urllib.request
from bs4 import BeautifulSoup
response = urllib.request.urlopen("https://xxx") # 网站的地址
html = response.read().decode("utf-8")
bs = BeautifulSoup(html,'html.parser')  # 用于解析获取到的源码

获得源码后，BeautifulSoup给解析完页面后,使用find_all()来进行文档的搜索。

find_all()为搜索文档树，搜索当前tag的所有tag子节点，并判断是否符合过滤器的条件。返回值类型是 bs4.element.ResultSet，即返回的是多个该对象的集合，可以用for循环遍历，完整的语法如下：
find_all( name, attrs, recursive, string, **kwargs)
参数意义如下：

name：查找所有名字为 name 的 tag。
attr：tag的属性（即标签的属性）
string：搜索文档中string字符串的内容
recursive：调用 tag 的 find_all() 方法时，BeautifulSoup 会检索当前 tag 的所有子孙节点；如果只想搜索tag的直接子节点，可以使用参数 recursive=False

首先分析一下网页，找到自己需要的信息，例如：爬取教师的信息，可以看到信息在table class="listTable"的下面，而其他的我们并不需要。

爬取到我们需要的信息如下：

接着分析会发现，每个老师的信息都单独在一个<tr id="line_u5_*">中，*是一个数字，应该是序号，接着一步一步靠近自己需要的信息即可。

三、爬取的完整代码

代码的整体思想就是：

1.分析出网址的规律，发现只有页数的变化，所以不变的一部分就赋值在baseurl，爬取每页的时候，在进行补全。

2.函数askUrl()用来一页一页的解析页面，并返回得到的页面，给getData()函数，此函数就是获取需要的信息，并保存到一个列表中，最后返回到saveDate()。

3.saveDate()用拿到的列表，来保存起来数据，这里是保存到了Excel中。（想保存到MySQL中看这个Python操作MySQL数据库_学习学习~~的博客-CSDN博客）

# codeing = utf-8
from bs4 import BeautifulSoup
import xlwt
import re
import urllib.request, urllib.error

b = 0  # 网页的内容 不是很规律，定义个变量
def main():
    baseurl = 'https://xxxx'  # 目标网站
    datalist = getData(baseurl)
    saveDate(datalist)


def getData(baseurl):   # 获取数据
    datalist = []
    for i in range(1,8):   # 要爬取很多页面，这个是循环，配上baseurl用的，就是找到每一页的网址
        if i == 7:
            url = baseurl + '.htm'
            b = 20
        elif i == 1:
            b = 20
            url = baseurl + '/' + str(i) + '.htm'
        else:
            b = 38
            url = baseurl + '/' + str(i) + '.htm'
        html = askUrl(url)
        # soup = BeautifulSoup(str(html), 'html.parser')

        for i in range(0,b):
           data = []
           soup = BeautifulSoup(str(html), 'html.parser')
           html1 = soup.find_all(id="line_u5_"+str(i)+"")
           soup = BeautifulSoup(str(html1),'html.parser')
           # print(soup)
           list = soup.find_all('td')
           # print(soup)
           for j in range(0,7):
               data.append(list[j].get_text().replace(' ',''))
           datalist.append(data)
    return datalist

def askUrl(url):  # 页面解析
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36",
        'accept':'text / html, application / xhtml + xml, application / xml;q = 0.9, image / avif, image / webp, image / apng, * / *;q = 0.8, application / signed - exchange;v = b3; q = 0.9'
    }   # 头部信息，头部信息越全面，不容易被识别出
    cookie = '''
     JSESSIONID=1C56AA5DBE020FEAB6C50F7FDDE68110
    '''
    data = bytes(urllib.parse.urlencode({'Cookie':cookie}),encoding='utf-8')
    request = urllib.request.Request(url=url, data=data, headers=headers, method='GET')
    response = urllib.request.urlopen(request)
    html = response.read().decode('utf-8')  # 未处理的全部页面
    soup = BeautifulSoup(html,'html.parser')  # 一次解析页面
    html = soup.find_all('table',class_='listTable')  # 筛选出需要的
    # soup = BeautifulSoup(str(html),'html.parser')
    return html
    # for i in range(1,20):
    #     html = soup.find_all('tr',id="line_u5_"+str(i)+"")
def saveDate(datalist):               # 保存数据，这里保存到了Excel中了
    k=0
    book = xlwt.Workbook('encoding = utf-8')   # 获取工作薄
    sheet = book.add_sheet('信息',cell_overwrite_ok=True)  # 增加个表
    col = ['姓名','性别','民族','学历','职位','专业一','专业二']
    for i in range(0,7):
        sheet.write(0,i,col[i])    # 单元格是从下表0,0开始的
    for list in datalist:
        k = k+1
        for j in range(0,7):
            sheet.write(k,j,list[j])
    book.save('信息.xls')


if __name__ == main():
    main()

运行后，你的PyCharm里的左侧的项目栏里会出现信息这个表，就是爬取后保存的。

总结

1.上述只能爬取一些反爬机制不强的网站，例如爬取异步加载的网站还需要调整几个部分，接下来会写怎么爬取异步加载的网站。

2.在爬虫的时候，先爬取一页，并用html的形式保存这一页，然后就先不要爬取了，只需要在保存的这一页上实验就可以了，不然你调整一下，爬取一下，对方的网站识别出爬虫，是会封你的IP的，还有是用for循环获取页面的时候，每获取一页设置停顿一会，这样对方网站认为你是正常的用户而不是爬虫，不然一个for循环获取好几页，会被识别出来是爬虫的。