一、前言
上道网是一个手游发行推荐与投融资交易平台。平台聚集手游CP、手游发行、手游渠道、手游外包,投资商以及IP授权商,IP合作、一站式服务。并为之提供合作交易机会。
今天教如何去爬取上道网的赞助公司名称,方便有关人士投资。
二、实现目标
获取对应的公司名称,保存文档。
三、项目准备
软件:PyCharm
需要的库:requests,fake_useragent,time
网址:http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-{}.html
四、项目分析
如何网页访问?
http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-1.html
http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-2.html
http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-3.html
http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-4.html
点击下一页时,每增加一页p-{}.html自增加1,用{}代替变换的变量,再用for循环遍历这网址,实现多个网址请求。
五、项目实现
1. 定义一个class类继承object,定义init方法继承self,主函数main继承self。导入需要的库、请求地址。
import requests
from lxml import etree
from fake_useragent import UserAgent
import time
class Shangdao(object):
def __init__(self):
self.url = "http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-{}.html" #网站
def main(self):
pass
if __name__ == '__main__':
Siper = Shangdao()
Siper.main()
2. 随机产生UserAgent,防止反爬。
for i in range(1, 50):
self.headers = {
'User-Agent': ua.random,
}
3. 发送请求 获取响应, 页面回调,方便下次请求。
def get_page(self, url):
res = requests.get(url=url, headers=self.headers)
html = res.content.decode("utf-8")
return html
4. 获取公司名称,for遍历。
def page_page(self, html):
parse_html = etree.HTML(html)
one = parse_html.xpath('//h2/a/text()')
for i in one:
print(i)
5. 写入文档。
f = open('公司.doc', 'a', encoding='utf-8') # 以'w'方式打开文件
f.write(str(i))
6. 调用方法,实现功能。
def main(self):
stat = int(input("输 入 开 始 (2开始):"))
end = int(input("输 入 结 束:"))
for page in range(stat, end + 1):
url = self.url.format(page)
print(url)
html = self.get_page(url)
self.page_page(html)
print("==================第%s页爬取成功!!!!=====================" % page)
项目优化:
1. 设置时间延时。
time.sleep(1.4)
六、效果展示
点击绿色小三角运行输入起始页,终止页( 从0页开始 )。
渠道公司名,结果显示控制台。
保存文档。
七、总结
1. 不建议抓取太多数据,容易对服务器造成负载,浅尝辄止即可。
2. 希望通过这个项目,能够帮助了解xpath解析页面的基本流程,字符串是如何拼接,format函数如何运用。
3. 本文基于Python网络爬虫,利用爬虫库,实现爬取上道网,但是到自己动手实现的时候,总会有各种各样的问题,切勿眼高手低,勤动手,才可以理解的更加深刻。
想学习更多Python网络爬虫与数据挖掘知识,可前往专业网站:http://pdcfighting.com/