Python爬取Alexa.cn上Top500的网址

在原来只能一次获取20条数据的基础上,和@阿尔法猫一起进行了修改。

# encoding:utf-8

import requests
from bs4 import BeautifulSoup


def excuteSpider(url,headers,session,):
    req = session.get(url, headers=headers)
    bsObj = BeautifulSoup(req.text, 'html.parser')


    rankList = bsObj.findAll("div", {"class": "rank-index"})
    linkList = bsObj.findAll("span", {"class": "domain-link"})
    nameList = bsObj.findAll("div", {"class": "infos"})
    lranksub=[]
    llinksub=[]
    lnamesub=[]


    for rank in rankList:

        # print rank.string
        lranksub.append(rank.string.encode('utf-8').decode())

    # print lrank

    for link in linkList:
        llinksub.append(link.a['href'].encode('utf-8').decode())
        # print link.a['href']
    # print llink

    for name in nameList:
        str1 = name.contents[0].encode('utf-8').decode()
        s=str1.split('(')
        lnamesub.append(s[0])
        # print (s[0])
    return lranksub,llinksub,lnamesub


if __name__=='__main__':

    lrank=[]
    llink=[]
    lname=[]

    session = requests.Session()
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0",
           "Accept": "*/*"}
    for i in range(1,26):
        if i==1:
            url = "http://www.alexa.cn/siterank/" 
        else:
            url = "http://www.alexa.cn/siterank/"+str(i)   

        lranksub,llinksub,lnamesub=excuteSpider(url, headers, session)
        lrank+=lranksub
        llink+=llinksub
        lname+=lnamesub

    wf = open('./spider4.csv', 'w')
    wf.write('rank,link,name\n')
    for i in range(len(lrank)):
        wf.write('%s,%s,%s\n' %(lrank[i],llink[i],lname[i]))
    wf.close()
    print('ok')
评论 4
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