爬虫：工作中编写的一个python爬取web页面信息的小demo

　　最近公司要求编写一个爬虫，需要完善后续金融项目的数据，由于工作隐私，就不付被爬的网址url了，下面总结下spider的工作原理。

　　语言：python；工具：jupyter；

　　（1）使用requests模块，获取url页面。

import requests
url = "http://www.~~~~~~~~~~~~~~~~~~~~~~~~~~"
r = requests.get(url)

　　（2）解析html页面（若是pdf页面需要其他工具模块）需要使用BeautifulSoup模块，把request下来的页面信息保存为soup格式。

from bs4 import BeautifulSoup
soup = BeautifulSoup(r.text)

　　（3）利用soup找到超链接href 并把href保存到文件中，为了后续的使用；

with open(r"E:\aa.txt", "wb") as code:
    for link in soup.find_all(‘a‘):
        code.write(str(link.get(‘href‘)) + ‘\r\n‘)
print "Download Complete!"

　　(4)在上一步的文件中，读取保存的href连接，并保存到list数据结构中；

fd = open(r"E:\juchao.txt","r")
mylist = []for line in fd:
    mylist.append(line)

　　（5）编写header，为了post方式伪装成浏览器（必要的话，设置参数data）；并拼接成访问的url格式（利用浏览器调试，查看网络中的信息）；

headers = {
‘Accept‘: ‘text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8‘,
‘Accept-Language‘: ‘zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3‘,
‘Accept-Encoding‘: ‘gzip, deflate‘,
‘Connection‘: ‘keep-alive‘,
‘Cookie‘: ‘JSESSIONID=27AF575249A833C368677F9B5869A463‘,
‘Host‘: ‘www.cninfo.com.cn‘,
‘Referer‘: ‘http://www.~~~~~~~~~~~~~~~‘,
‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:45.0) Gecko/20100101 Firefox/45.0‘,
‘Content-Length‘: ‘262‘,
‘Content-Type‘: ‘application/x-www-form-urlencoded; charset=UTF-8‘,
‘X-Requested-With‘: ‘XMLHttpRequest‘,
}urlpath = ‘http://www.cninfo.com.cn/information/brief/szmb‘myUrls = []for submylist in mylist:    urlId = ‘‘    url = ‘‘    urlId = submylist[-7:-1]    url = urlpath + urlId + ‘.html‘    myUrls.append(url)

　　（6）新拼接的url是我们需要的最终页面，requests获取url页面（注意编码问题），利用soup解析html页面，生成json字符串，保存到文件。

import json
with open(r"E:\juchao_json.txt", "wb") as code:

    for k in xrange(len(myUrls)):
        r1 = requests.get(myUrls[k])
        r1.encoding = r1.apparent_encoding
        # print r1.encoding

        soup = BeautifulSoup(r1.text)
        jsonMap = {}
        jsonMapKey = []
        jsonMapValue = []
        for i in soup.select(".zx_data"):
            jsonMapKey.append(i.text)

        for i in soup.select(".zx_data2"):
            jsonMapValue.append(i.text[:-3])

        for j in xrange(len(jsonMapKey)):
            jsonMap[jsonMapKey[j]] = jsonMapValue[j]    

        strJson = json.dumps(jsonMap, ensure_ascii=False)
#         print strJson
        code.write(strJson.encode(‘utf-8‘) + ‘\r\n‘)

print ‘Done!‘