python爬虫，2020年《财富》中国500强排行榜数据爬取源码

二爷

发布于 2020-11-09 12:16:39

7640

发布于 2020-11-09 12:16:39

文章被收录于专栏：二爷记

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

#ua库使用
#微信：huguo00289
# -*- coding: UTF-8 -*-

import random

with open('fake_ua.txt', 'r') as f:
    fake_ua = [fua.strip() for fua in f.readlines()]

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！

#财富爬取
#微信：huguo00289
# -*- coding: UTF-8 -*-
import requests,random
from lxml import etree
import xlsxwriter


class Httprequest(object):
    ua_list = [
        'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
        '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',
        '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',
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1',
        'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
        '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',
        'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
        'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
    ]
    @property  #把方法变成属性的装饰器
    def random_headers(self):
        return {
            'User-Agent': random.choice(self.ua_list)
        }


class Get_data(Httprequest):
    def __init__(self):
        self.url="http://www.fortunechina.com/fortune500/c/2020-07/27/content_369925.htm"
        self.murl="http://www.fortunechina.com/fortune500/c/2020-05/18/content_365275.htm"

    def get_data(self):
        html=requests.get(self.url,headers=self.random_headers,timeout=5).content.decode('utf-8')
        #print(html)
        req = etree.HTML(html)
        rankings=req.xpath('//table[@class="wt-table"]/tbody/tr/td[1]/text()')
        last_rankings=req.xpath('//table[@class="wt-table"]/tbody/tr/td[2]/text()')
        companys=req.xpath('//table[@class="wt-table"]/tbody/tr/td[3]/a/text()')
        incomes=req.xpath('//table[@class="wt-table"]/tbody/tr/td[4]/text()')
        profits=req.xpath('//table[@class="wt-table"]/tbody/tr/td[5]/text()')
        # print(ranking)
        # print(last_ranking)
        # print(company)
        # print(income)
        # print(profit)
        data_list=[]
        for ranking,last_ranking,company,income,profit in zip(
                rankings, last_rankings, companys, incomes, profits
        ):
            data = [
                ranking,last_ranking,company,income,profit
            ]

            print(data)
            data_list.append(data)
        print('\n')

        self.write_to_xlsx(data_list)



    def write_to_xlsx(self, data_list):
        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
        worksheet = workbook.add_worksheet("2020年《财富》中国500强排行榜")
        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
        worksheet.write_row('A1', title)
        for index, data in enumerate(data_list):
            # content = content.rstrip()
            # keyword, rank, include_num, chart_url, title, game_id, company_num, long_words_num = data
            num0 = str(index + 2)
            row = 'A' + num0
            # data = [name, size, game_id]
            worksheet.write_row(row, data)
        workbook.close()


    def get_mdata(self):
        html=requests.get(self.murl,headers=self.random_headers,timeout=5).content.decode('utf-8')
        #print(html)
        req = etree.HTML(html)
        rankings=req.xpath('//table[@class="wt-table"]/tbody/tr/td[1]/text()')
        companys=req.xpath('//table[@class="wt-table"]/tbody/tr/td[2]/a/text()')
        incomes=req.xpath('//table[@class="wt-table"]/tbody/tr/td[3]/text()')
        profits=req.xpath('//table[@class="wt-table"]/tbody/tr/td[4]/text()')
        data_list=[]
        for ranking,company,income,profit in zip(
                rankings,companys, incomes, profits
        ):
            data = [
                ranking,company,income,profit
            ]

            print(data)
            data_list.append(data)
        print('\n')

        self.write_to_mxlsx(data_list)


    def write_to_mxlsx(self, data_list):
        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
        worksheet = workbook.add_worksheet("2020年《财富》美国500强排行榜")
        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
        worksheet.write_row('A1', title)
        for index, data in enumerate(data_list):
            # content = content.rstrip()
            # keyword, rank, include_num, chart_url, title, game_id, company_num, long_words_num = data
            num0 = str(index + 2)
            row = 'A' + num0
            # data = [name, size, game_id]
            worksheet.write_row(row, data)
        workbook.close()


if __name__=="__main__":
    spider=Get_data()
    #spider.get_data()
    spider.get_mdata()

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2020-11-04，如有侵权请联系 cloudcommunity@tencent.com 删除

爬虫