码云链接:gitee码云
作业①:
1)、爬取学校排名实验:
o 要求:用requests和re库方法设计某个商城(自已选择)商品比价定向爬虫,爬取该商城,以关键词“书包”搜索页面的数据,爬取商品名称和价格。
o 输出信息:
排名 | 学校名称 | 省市 | 学校类型 | 总分 |
---|---|---|---|---|
1 | 清华大学 | 北京 | 综合 | 852.5 |
2...... | ||||
代码: |
#爬取学校排名信息
import sqlite3
import requests
from bs4 import BeautifulSoup
url=r'http://www.shanghairanking.cn/rankings/bcur/2020'
req = None
try:req = requests.get(url)req.raise_for_status()req.encoding=req.apparent_encoding
except:print("error im request")data=req.text#解析数据
soup=BeautifulSoup(data,'lxml')
tbody_tag=soup.find('tbody')
school_tags=tbody_tag.find_all('tr')#使用sqlite存储数据
conn = sqlite3.connect('result1.db')
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS school ( rank INTEGER PRIMARY KEY, name TEXT NOT NULL,city TEXT NOT NULL,type TEXT NOT NULL, point DOUBLE NOT NULL
)
''')
for school_tag in school_tags:i=0for value_tag in school_tag.find_all('td'):if i==0:rank=value_tag.find('div').textif i==1:my_name=value_tag.find('span',attrs={'class':'name-cn'}).textif i==2:city=value_tag.textif i==3:type_school=value_tag.textif i==4:point=value_tag.texti+=1print(rank.strip(), my_name.strip(), city.strip(), type_school.strip(), point.strip(), sep='\t')cursor.execute("INSERT INTO school VALUES (?, ?, ?, ?, ?)", (rank.strip(), my_name.strip(), city.strip(), type_school.strip(), point.strip()))# 提交事务
conn.commit()
# 关闭游标和连接
cursor.close()
conn.close()
2)、心得体会
通过这个实验我初步练习了beatifulsoup的find_all功能,学会了request请求页面信息和解析页面信息
作业②:
1)
o 要求:用requests和re库方法设计某个商城(自已选择)商品比价定向爬虫,爬取该商城,以关键词“书包”搜索页面的数据,爬取商品名称和价格。
o 输出信息:
序号 | 价格 | 商品名 |
---|---|---|
1 | 65.00 | xxx |
2...... | ||
代码 |
#爬取商城价格信息import requests
import re
import sqlite3#使用sqlite存储数据
conn = sqlite3.connect('result1.db')
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS mail ( id INTEGER PRIMARY KEY, price DOUBLE NOT NULL ,name TEXT NOT NULL
)
''')#request获取网页数据
url=r'http://search.dangdang.com/?key=%CA%E9%B0%FC&act=input'
req = None
try:req = requests.get(url)req.raise_for_status()req.encoding=req.apparent_encoding
except:print("error im request")data=req.text
#获取商品信息部分数据(在<ul></ul>)里
match=re.search('''<ul class="bigimg cloth_shoplist" id="component_59">.*</ul''',data)
#start,end分别匹配每一件商品信息的开头和结尾(单件商品信息在<li></li>里)
data=data[match.start():match.end()]
start=re.search('<li',data)
end=re.search('</li',data)
i=0
while end!=None:#获取单件商品的信息my_datamy_data=data[start.end():end.start()]#获取商品的priceprice_sta_match=re.search('<span class="price_n">',my_data)price_end_match=re.search('</span>',my_data)price=my_data[price_sta_match.end()+5:price_end_match.start()]#获取商品nametitle_match=re.search('title="',my_data)ddclick_match=re.search('ddclick',my_data)name=my_data[title_match.end():ddclick_match.start()].strip()name=name[:-1]#输出编号,price,name并存进数据库print(i,price,name,sep='\t')cursor.execute("INSERT INTO mail VALUES (?, ?, ?)",(i, price, name))# 更新遍历的数据(data-my_data)data=data[end.end():]#找下一个商品信息start = re.search('<li', data)end = re.search('</li', data)i+=1# 提交事务
conn.commit()
# 关闭游标和连接
cursor.close()
conn.close()
2)心得体会
这个实验练习了re库和request的使用,其中我想使用更为简洁的表达式,但是总是不成功各种问题,只好使用比较笨的方法,分成两部分查找,正则表达式掌握的好感觉可以事半功倍,大大提高解析html文档的水平
作业③:
o 要求:爬取一个给定网页( https://news.fzu.edu.cn/yxfd.htm)或者自选网页的所有JPEG和JPG格式文件
o 输出信息:将自选网页内的所有JPEG和JPG文件保存在一个文件夹中
代码
#下载图片import requests
from bs4 import BeautifulSoup
import os.path as path
import re
import sqlite3#使用sqlite存储数据
conn = sqlite3.connect('result2.db')
cursor = conn.cursor()
cursor.execute('''
DROP TABLE IF EXISTS pic
''')
cursor.execute('''
CREATE TABLE IF NOT EXISTS pic ( id INTEGER PRIMARY KEY, url TEXT NOT NULL ,suffix TEXT NOT NULL,picture BLOB
)
''')#根据img_src把对应图片下载到C:\Users\supermejane\Desktop\爬虫实践\实践一\images文件夹
def downlord(url):global cntimg_path=path.join(my_path,str(cnt))index=re.search(r'\.(?=[^.]*$)',url).start()print(len(url),index)#ext为对应扩展名jpg,jpegext=url[index:]print(ext)req = requests.get(url)req.raise_for_status()data=req.contentwith open(img_path+ext,'wb') as file:file.write(data)print(str(cnt)+ext)cursor.execute("INSERT INTO pic VALUES (?, ?, ?, ?)",(cnt, url, ext, sqlite3.Binary(data)))cnt+=1if '__main__'==__name__:#获取给定网站html信息dataurl = r'https://news.fzu.edu.cn/yxfd.htm'req = Nonetry:req = requests.get(url)req.raise_for_status()req.encoding = req.apparent_encodingexcept:print("error im request")data = req.text#存储路径my_path和图片名cntmy_path = r'C:\Users\supermejane\Desktop\爬虫实践\实践一\images'cnt=0#提取img标签的src属性,并且下载soup = BeautifulSoup(data, 'lxml')img_tags = soup.find_all('img')for img_tag in img_tags:src = img_tag['src']print(r'https://news.fzu.edu.cn/'+src)downlord(r'https://news.fzu.edu.cn/'+src)# 提交事务conn.commit()# 关闭游标和连接cursor.close()conn.close()
2)心得体会
这个实验主要是练习了下下载二进制文件,req.content获得数据