python入门教程 python零基础网络爬虫：抓取4A级猎头公司数据

汤贤

发布于 2020-05-18 15:38:01

2900

发布于 2020-05-18 15:38:01

文章被收录于专栏：用户7289880的专栏用户7289880的专栏

项目实战剖析

网站分析：

目标源地址url:www.risfond.com/case/fmcg/2…

点击右键查看网页源代码，会发现上图方框内的内容在网页源代码（下图）是可以找到的！

所以我们可以使用python内置的模块去访问网址，这里可以用requests或者urllib，因为之前介绍过requests模块的使用，这里我们就不做过多阐述，直接用urllib开战！虽然requests真的好用太多，但初学者其实也是需要学习内容的，技术无罪。接下来就开始我们的实战！

实战思路剖析：

1.获取网站源码
2.从源码解析所需要的数据
3.数据存储到excel

实战步骤讲解

第一步：获取网站源码

需要安装的库：pip install xlwt

第一步先导入urllib.request模块，记住python2跟3在模块上面使用是有区别的，这个模块就是如此。

如果我们想访问多个页面的话需要找寻网站的网址规律是怎么样的

http://www.risfond.com/case/fmcg/26700 ，http://www.risfond.com/case/fmcg/26701，

点击网址下一条就可以发现网址的规律，网址后面的数字是发生了改变的，

所以可以采用字符串格式化跟range函数，for in来进行使用，基础知识附带使用讲解下。

复制代码

附视频源码需要资料的话可加群获取：162181791

1.range函数可以生成一个整数序列，里面只有一个参数默认从0开始，2个参数是含头不含尾，示例如下：

2.字符串格式化，%s代表字符串，%d代表数字，当不知道用什么的情况下可以用%s代替，format是用{}.format()的方式做到字符串格式化的。

3.发送请求

    for i in range(26700,26716):
        url = 'http://www.risfond.com/case/fmcg/{}'.format(i)
        html = urllib.request.urlopen(url).read().decode('utf-8')#urlopen打开网址 read 读取源代码
        print(html)
复制代码

第二步：从源码解析所需要的数据

这里用的是re正则表达式，可以根据一定的规则从源码中匹配出相对应的内容，打个比方说，我去水果店买西瓜，西瓜的特征是果绿色的外壳，红色的果肉，椭圆形状，都是根据这个特征去寻找的，在网站中间也是如此，获取的内容有着共同的标签比如div，而且都是在一样的html布局中，就可以写一个正则，用findall去从源码html中匹配出来。

page_list = re.findall(r'<div class="sc_d_c">.*?<span class="sc_d_con">(.*?)</span></div>',html)
复制代码

第三步：数据存储到excel

根据内容，我觉得存储到excel表格里面会比较好，所以对每行也写了一定的注释，大家可以参考下！

newTable = 'test2019.xls'#表格名称
    wb = xlwt.Workbook(encoding='utf-8') #创建excel文件  设置编码
    ws = wb.add_sheet('rsfd')#表名称
    headData = ['职位名称','职位地点','时间','行业','招聘时间','人数','顾问']
    for colnum in range(0,7):
        ws.write(0,colnum,heData[colnum],xlwt.easyxf('font:bold on'))
    index = 1
    for j in range(0,len(items)):#计算数据有多少条
        for i in range(0,7):
            print(items[j][i])
            ws.write(index,i,items[j][i])#行数  列数   数据
        index+=1
    wb.save(newTable)#保存
复制代码

结果如下：我们可以看到所有的数据都被抓下来，并且存储到名为test2019的文件夹了。