记录一次简单的Python爬虫实例

import requests

from bs4 import BeautifulSoup

import re

import json

import pandas

import excel

import sqlite3

# import openpyxl

ef getComments(url):

    # 向url对应网址发送请求，获取到的网页内容存储在res中

    res=requests.get(url)

    # 将res内容编码，编码的方式'utf-8'根据网页的charset而定

    res.encoding='utf-8'

    # 因为需要处理res，因此将文本存入soup

    # html.parser不清楚是干嘛的

    soup=BeautifulSoup(res.text,'html.parser')

    # 根据所需要的内容，通过BS4的select选择，得到数组，用[0]取出元素

    # 因为是文本所以直接通过.text得到所需要的内容

    return soup.select('.show_author')[0].text

# 在soup.select('.link')[0]中，若为id则带#

#                             若为class则带.

#                             其他的如a和h1等则无要求

#其中需要层层select并取[0]

#有些有多元素，则需通过for遍历

from datetime import date time

Str==>time        dt=datetime.strptime(timesource,’%Y%m%d’)

time==>Str        dt.strftime(‘%Y-%m-%d’)

‘-‘.join(list) #将list中的各元素以-方式连接

‘’.join([p.text.strip() for p in soup.select(‘#artibody p’)[:-1]])

news_total=[]

for i in range(1,3):

    newsurl=url.format(i)

    newsary=parseListlink(newsurl)

    new_total.extend(newsary)

df=pandas.DataFrame(list)

print(df.head(20))  #显示前20条信息

df.to_excel('news.xlsx') #转存为excel格式，名字为news.xlsx

for u in geturl(url):

    excel1 = [] # 循环开始清空数组

    result = {} # 循环开始清空字典

    try:

        # 每个条目在新字典赋值

        result['zeren']=getComments(u)

        result['id']=i

        i=i+1

    except:

        continue

    #每个条目形成数组

    excel1.append(result)

    #在列表中添加数组

    list.extend(excel1)

df=pandas.DataFrame(list)

print(df.head(20))  #显示前20条信息

# df.to_excel('news.xlsx') #转存为excel格式，名字为news.xlsx

with sqlite3.connect('news.sqlite') as db:

    # 存入news.sqlite文件中的news表格

    df.to_sql('news',con=db)

    # 读取/查询news表格并将数据赋值给df2

    df2=pandas.read_sql_query('SELECT * FROM news',con=db)