【现学现卖】python小爬虫

1.给小表弟汇总一个院校列表，想来想去可以写一个小爬虫爬下来方便些，所以就看了看怎么用python写，到了基本能用的程度，没有什么特别的技巧，大多都是百度搜的，遇事不决问百度啦

2.基本流程就是：

　　用request爬取一个页面之后用BeautifulSoup4对爬到的页面进行处理，

　　然后需要的东西进行预处理之后存到桌面上的.txt文件里，

　　之后再对.txt文件里的字符串进行分割，

　　最后把数据存到excel表里

3.准备：需要下载安装requests库，以及BeautifulSoup4的库，还有xlsxwriter库，相关安装方法网上一大堆

4.爬取页面的网页源代码：

5.将爬取的数据存到.txt文件中：

from bs4 import BeautifulSoup
import requests
import os

def get_soup():
    r = requests.get("http://www.eol.cn/html/g/gxmd/bj/", timeout=30)
    # 判断网络链接的状态，连接错误将产生一个异常
    #print(r.status_code)
    r.encoding = r.apparent_encoding
    soup = BeautifulSoup(r.text,features="html.parser")
    return soup;

#删除前几个元素
def del_previous_ele(full_list):
    for i in range(8):
        full_list.remove(full_list[0])
    return full_list;

#获取学校名称，学校编号，主管部门，办学层次
def select_school_ele(full_list):
    school_list = []
    for i in range(full_list.__len__()):
        //这里是对获取的所有学校列表进行遍历，取出需要的数据
        if (i % 7) == 1 or (i % 7) == 2 or (i % 7) == 3 or (i%7) == 5 :
            school_list.append(full_list[i].string+"\t")
            //获取到一个学校完整的信息之后就在后面换行
            if (i%7) == 5:
                school_list.append(" \n")
        else:
            pass

    return school_list;
#将数据写入文件
def createFile(txt):
    file = open(‘C:\\Users\\XXXXXXXXXXXXXXX\\Desktop\\school.txt‘, ‘w‘)
    file.writelines(txt)
    file.close();
    print("写入成功")

if __name__ == "__main__":
    soup = get_soup()
    full_list = del_previous_ele(soup.find_all(align="center"))
    school_list = select_school_ele(full_list)
    createFile(school_list)

6.对school.txt文件进行处理，处理完了存到excel文件里

import os
import xlsxwriter
def get_file(path,mode_):
    list = "";
    file = open(path,mode_)
    list = file.read()
    file.close()

    return list

def write_excel(list):
    workbook = xlsxwriter.Workbook("C:\\Users\\XXXXXXXXXXXXXXXXX\\Desktop\\school.xlsx")
    worksheet = workbook.add_worksheet("school")
    #5个属性为一组
    list_5_item = list.split("\n")
   # print(len(list_5_item))
    for i in range(len(list_5_item)):
        specific_school = list_5_item[i].split("\t")
        print(len(specific_school))
        for j in range(len(specific_school)):
            worksheet.write( i , j , specific_school[j])

if __name__ == "__main__":
    list = get_file(‘C:\\Users\\XXXXXXXXXXXXXXXXXXXXXXXXXXXx\\Desktop\\new.txt‘, ‘r‘)
    write_excel(list)

7.完成结果：

文本文件：

school.xlsx文件：

8.到这里就结束啦，因为刚接触写爬虫，所以有些地方难免写的不好，不喜勿喷啦

原文地址：https://www.cnblogs.com/LinKinSJ/p/9501168.html