Python爬虫大作业

一、题目：

　　获取并保存目标网站的下图所示的所有英文名，网页转换通过点击more names刷新名字并将各个英文名子目录下，去获取并保存每一个英文名的名字、性别、寓意、简介如下图所示内容红色标记框内的内容：

二、爬取步骤：

1．数据服务

爬取步骤：

　　（1）爬取整个动态网页信息内容；

　　（2）解析网页内容，利用正则表达式获取有效信息；

　　（3）把爬取下来的信息采用csv进行存储；

　　（4）进行必要的手动的数据清理和美化。

2．解析服务

解析步骤：

　　（1）利用headers直接访问网页内容；

　　（2）爬取页面信息；

　　（3）解析页面；

　　（4）形成text数据。

　　（5）实时获得网站的英文名、性别、寓意、简介等内容。

流程图：

三、源代码：

按步骤要求一步一步将数据爬取并保存。

 import requests#请求库

 import re#表达式解析库

 import csv

 def html_save(s):#爬取内容保存函数

     with open('save3.csv','a', newline='')as f:#以追加的方式存数据newline控制文本模式之下，一行的结束字符

         writer = csv.writer(f)#将数据写入csv文件

         writer.writerow(s)

 def get_url(n):#保存网址

     urls=[]

     for i in range(1,101):#测试得出网址范围

         urls.append('http://www.nymbler.com/nymbler/more/%s'%i)

     return urls

     pass

 def get_detail(url):#对网页内容进行解析获取

     headers = {'Cookie':"heroku-session-affinity=AECDaANoA24IAaj0sYj+//8HYgAH2hNiAAsB42EDbAAAAANtAAAABXdlYi4zbQAAAAV3ZWIuMm0AAAAFd2ViLjFqTiF9lGfQyz4HBcluZEIivsLibgo_; PLAY_SESSION=e625836109d6e09af14be41657c35e808ca31e72-session_id=240bcff7-ebb5-49ee-8fa4-ffcc5ba32e48; _ga=GA1.2.408125030.1575511582; _gid=GA1.2.1377013858.1575511582; td_cookie=18446744071831041204; _gat_gtag_UA_1763772_1=1"}#反爬虫请求头

     response = requests.post(url)#解析网页

     docx=(response.text)#得到解析文本

     name=re.findall(r'"name":"([^"]+)"',docx)#正则匹配name的value

     gender=re.findall(r'"gender":"([^"]+)"',docx) #正则匹配gender的value

     info=re.findall(r'"info":"([^"]+)"',docx)

     meaning=re.findall(r'"meaning":"([^"]+)"',docx)

     for i in range(len(meaning)):#将获取的信息进行有序处理

         tmp=[]

         tmp.append(name[i])

         tmp.append(gender[i])

         tmp.append(meaning[i])

         tmp.append(info[i])

         html_save(tmp)#对信息进行保存

     return tmp

     pass

 def get_all(n):#获取所有网页的信息

     alldata=[]

     for url in get_url(n):

         alldata.extend(get_detail(url))#将get_url(n)内的所有网页一一进行解析保存

     return alldata

     pass

 get_all(100)#函数调用

四、运行结果：

部分结果展示：

巴特西

Python爬虫大作业

最新文章

热门文章