爬虫项目实践 目标:首都医科大学官网新发文章
# 导入模块
# 用于请求网址
import requests
# 用于解析网页源代码
from bs4 import BeautifulSoup
# 用于正则
import re
# 目标网址
# 设置页数,提取10页的数据
page=['']
for i in range(1,10,1):
page.append(i)
# 保存文件
with open(r'ccmu.csv','a',encoding='utf-8') as f:
for i in page:
url= 'http://www.ccmu.edu.cn/zxkylw_12912/index'+str(i)+'.htm'
# 必要时添加header请求头,防止反爬拦截
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:79.0) Gecko/20100101 Firefox/79.0'
}
# 目标网址请求方式为get
resp=requests.get(url)
html = resp.content.decode('utf-8')
# 解析html
soup = BeautifulSoup(html,'html.parser')
# 找到最近发表的sci论文
# 使用find和find_all 函数
infos=soup.find('ul',{'class':'list03'}).find_all('li')
for info in infos:
time=info.find('span').get_text()
ajt= info.find('a').get_text()
# 写入文件
f.write("{},{}\n".format(time,ajt))
没啥意思,总体来说首医官网的网页解析还是比较简单的,涉及的标签很少,也没有特意设置反扒手段
love&peace