飞道的博客

python爬虫,2020年《财富》中国500强排行榜数据爬取源码

528人阅读  评论(0)

一个简单的demo,python爬虫,其实是以前的存货,很久很久没有写爬虫了,渣渣更渣了啊!

爬取财富中文网,2020年《财富》中国500强排行榜相关数据,数据都在网页源码里,结构也比较清晰,基本上一个请求页面可以搞定所有数据,一个老哥要的数据,用来做数据分析!

新人可以用来练手的网站,这里给出参考demo,仅供参考和学习使用!

fake_useragent库本地使用

来自于吾爱破解网站(ID:jxt441621944)上的分享,fake_useragent库也是本渣渣比较喜欢使用的一个库,比较方便吧,好用倒也说不上,看着用吧,fake_useragent库本地使用方法,这里给大家整理和打包了一下!

UserAgent就是用户代{过}{滤}理,是一串字符串,相当于是浏览器的身份证明,在写爬虫的时候频繁更换请求头中的UserAgent可以避免触发反爬机制(配合代{过}{滤}理IP食用更佳)。

fake_useragent就是可以获得一个随机的用户代{过}{滤}理的库。

打包地址获取 关注微信公众号:二爷记 后台回复  “UA”

fake_useragent库总共250条UA!

UA库文件:fake_ua.txt

py调用文件:fakeua.py


   
  1. #ua库使用
  2. #微信:huguo00289
  3. # -*- coding: UTF -8 -*-
  4. import random
  5. with open( 'fake_ua.txt''r') as f:
  6.     fake_ua = [fua.strip()  for fua in f.readlines()]
  7. print(random.choice(fake_ua))

python爬虫2020年《财富》中国500强排行榜数据爬取demo

没啥好说的,照着抄吧,本渣渣也是抄的的,不懂的尽量百度

也可以加本渣渣微信:huguo00289

交流探讨学习!


   
  1. #财富爬取
  2. #微信:huguo00289
  3. # -*- coding: UTF -8 -*-
  4. import requests,random
  5. from lxml  import etree
  6. import xlsxwriter
  7. class Httprequest(object):
  8.     ua_list = [
  9.          'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
  10.          'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0',
  11.          'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11',
  12.          'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
  13.          'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
  14.          'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
  15.          'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
  16.          'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
  17.     ]
  18.     @property  #把方法变成属性的装饰器
  19.     def random_headers(self):
  20.          return {
  21.              'User-Agent': random.choice(self.ua_list)
  22.         }
  23. class Get_data(Httprequest):
  24.     def __init__(self):
  25.         self.url= "http://www.fortunechina.com/fortune500/c/2020-07/27/content_369925.htm"
  26.         self.murl= "http://www.fortunechina.com/fortune500/c/2020-05/18/content_365275.htm"
  27.     def get_data(self):
  28.         html=requests.get(self.url,headers=self.random_headers,timeout= 5).content.decode( 'utf-8')
  29.         # print(html)
  30.         req = etree.HTML(html)
  31.         rankings=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[1]/text()')
  32.         last_rankings=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[2]/text()')
  33.         companys=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[3]/a/text()')
  34.         incomes=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[4]/text()')
  35.         profits=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[5]/text()')
  36.         #  print(ranking)
  37.         #  print(last_ranking)
  38.         #  print(company)
  39.         #  print(income)
  40.         #  print(profit)
  41.         data_list=[]
  42.          for ranking,last_ranking,company,income,profit in zip(
  43.                 rankings, last_rankings, companys, incomes, profits
  44.         ):
  45.             data = [
  46.                 ranking,last_ranking,company,income,profit
  47.             ]
  48.              print(data)
  49.             data_list. append(data)
  50.          print( '\n')
  51.         self.write_to_xlsx(data_list)
  52.     def write_to_xlsx(self, data_list):
  53.         workbook = xlsxwriter.Workbook( '{}_search_results.xlsx'.format( "2020年《财富》中国500强排行榜"))  # 创建一个Excel文件
  54.         worksheet = workbook.add_worksheet( "2020年《财富》中国500强排行榜")
  55.         title = [ '排名''上年排名''公司名称(中文)''营业收入(百万元)''利润(百万元)']  # 表格title
  56.         worksheet.write_row( 'A1', title)
  57.          for index, data in enumerate(data_list):
  58.             # content = content.rstrip()
  59.             # keyword, rank, include_num, chart_url, title, game_id, company_num, long_words_num = data
  60.             num0 = str(index +  2)
  61.             row =  'A' + num0
  62.             # data = [name, size, game_id]
  63.             worksheet.write_row(row, data)
  64.         workbook. close()
  65.     def get_mdata(self):
  66.         html=requests.get(self.murl,headers=self.random_headers,timeout= 5).content.decode( 'utf-8')
  67.         # print(html)
  68.         req = etree.HTML(html)
  69.         rankings=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[1]/text()')
  70.         companys=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[2]/a/text()')
  71.         incomes=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[3]/text()')
  72.         profits=req.xpath( '//table[@class="wt-table"]/tbody/tr/td[4]/text()')
  73.         data_list=[]
  74.          for ranking,company,income,profit in zip(
  75.                 rankings,companys, incomes, profits
  76.         ):
  77.             data = [
  78.                 ranking,company,income,profit
  79.             ]
  80.              print(data)
  81.             data_list. append(data)
  82.          print( '\n')
  83.         self.write_to_mxlsx(data_list)
  84.     def write_to_mxlsx(self, data_list):
  85.         workbook = xlsxwriter.Workbook( '{}_search_results.xlsx'.format( "2020年《财富》美国500强排行榜"))  # 创建一个Excel文件
  86.         worksheet = workbook.add_worksheet( "2020年《财富》美国500强排行榜")
  87.         title = [ '排名''公司名称(中文)''营业收入(百万美元)''利润(百万美元)']  # 表格title
  88.         worksheet.write_row( 'A1', title)
  89.          for index, data in enumerate(data_list):
  90.             # content = content.rstrip()
  91.             # keyword, rank, include_num, chart_url, title, game_id, company_num, long_words_num = data
  92.             num0 = str(index +  2)
  93.             row =  'A' + num0
  94.             # data = [name, size, game_id]
  95.             worksheet.write_row(row, data)
  96.         workbook. close()
  97. if __name__== "__main__":
  98.     spider=Get_data()
  99.     #spider.get_data()
  100.     spider.get_mdata()

      

微信公众号:二爷记

不定时分享python源码及工具


转载:https://blog.csdn.net/minge89/article/details/109507834
查看评论
* 以上用户言论只代表其个人观点,不代表本网站的观点或立场