Python练习【爬取银行网站信息】

功能实现

爬取所有银行的银行名称和官网地址(如果没有官网就忽略)，并写入数据库；
银行链接: http://www.cbrc.gov.cn/chinese/jrjg/index.html

编程思路

1.利用url访问页面并获取页面信息
2.利用正则表达式对页面信息进行筛选，获取我们需要的信息
3.保存至Mysql数据库中

1.获取网页信息并保存至文件

from urllib.request import urlopen

# 获取页面信息
def getPageInfo(url):
    pageInfo = urlopen(url)
    content = pageInfo.read().decode(‘utf-8‘)
    return content

# 主函数
def main():
    url = ‘http://www.cbrc.gov.cn/chinese/jrjg/index.html‘
    pageInfo = getPageInfo(url)
    print(pageInfo)

• 一些网站常常通过判断 UA（User-Agent用户代理） 来给不同的操作系统、不同的浏览器发送不同的页面，因此可能造成某些页面无法在某个浏览器中正常显示，但通过伪装 UA 可以绕过检测。

  查看浏览器UA

  

  获取页面信息

def main():
    url = ‘http://www.cbrc.gov.cn/chinese/jrjg/index.html‘
    #修改UA，伪装成浏览器，以获取相应页面
    user_agent = "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko Core/1.63.6788.400 QQBrowser/10.3.2864.400"
    reqObj = request.Request(url, headers={‘User-Agent‘: user_agent})
    pageInfo = getPageInfo(reqObj)
    print(pageInfo)

保存到文件方便查看

# 保存到文件pageContent
def saveInfo(data):
    with open(‘doc/pageContent‘,‘w+‘,encoding=‘utf-8‘) as f:
        f.write(data)

2.利用正则筛选所需信息

图中是获取的页面信息中所需信息中的一例
需要获取其中的 网址 和 银行名称
使用的正则表达式为‘<a href="(http.*?)".*?>\s+(.+?)\s+?</a>‘
这里注意利用\s+匹配额外的\t和\n

# 利用正则匹配获取信息
def getInfo(data):
    pattern = r‘<a href="(http.*?)".*?>\s+(.+?)\s+?</a>‘
    info = re.findall(pattern ,data)
    print(info)

匹配到的信息：

3.保存数据至数据库

首先在mysql中创建一个名为bankUrl的数据库

连接数据库

## 连接数据库
conn = pymysql.connect(
        host=‘localhost‘, # 主机名
        user=‘root‘, # 用户名
        password=‘mysql‘,  # 密码
        database=‘bankUrl‘, # 连接对应数据库
        charset=‘utf8‘, # utf-8编码
        autocommit=True # 自动提交数据

    )
    cur = conn.cursor() # 创建游标
        # 删除重建表格来刷新每次写入的数据
    cur.execute(‘drop table bankurl‘)
    creatTableSql = ‘create table if not exists bankUrl(银行名称 varchar(20),网址 varchar(100))default charset=utf8;‘
    cur.execute(creatTableSql)
        # 写入数据库
    for item in getInfo(pageInfo):
        insertSql = ‘insert into bankUrl(银行名称,网址) value("{1}","{0}")‘.format(item[0],item[1])
        cur.execute(insertSql)

完整代码：

import re
import time
from urllib import request
from urllib.request import urlopen

import pymysql

def timeCounter(fun):
    def wrapper(*arg ,**kwargs):
        startTime = time.time()
        fun(*arg,**kwargs)
        endTime = time.time()
        print(fun.__name__+‘运行时间为%.2f‘%(startTime-endTime))
    return wrapper

# 获取页面信息
def getPageInfo(url):
    pageInfo = urlopen(url)
    content = pageInfo.read().decode(‘utf-8‘)
    return content

# 保存页面信息到文件
def saveInfo(data):
    with open(‘doc/pageContent‘,‘w+‘,encoding=‘utf-8‘) as f:
        f.write(data)

# 利用正则匹配获取信息
def getInfo(data):
    pattern = r‘<a href="(http.*?)".*?>\s+(.+?)\s+?</a>‘
    info = re.findall(pattern ,data)
    return info

@timeCounter
def main():
    url = ‘http://www.cbrc.gov.cn/chinese/jrjg/index.html‘
    user_agent = "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko Core/1.63.6788.400 QQBrowser/10.3.2864.400"
    reqObj = request.Request(url, headers={‘User-Agent‘: user_agent})
    pageInfo = getPageInfo(reqObj)
    # saveInfo(pageInfo)
    conn = pymysql.connect(
        host=‘localhost‘,
        user=‘root‘,
        password=‘mysql‘,
        database=‘bankUrl‘,
        charset=‘utf8‘,
        autocommit=True,    # 如果插入数据，， 是否自动提交? 和conn.commit()功能一致。

    )
    cur = conn.cursor()
    # cur.execute(‘create database if not exists bankUrl；‘)
    cur.execute(‘drop table bankurl‘)
    creatTableSql = ‘create table if not exists bankUrl(银行名称 varchar(20),网址 varchar(100))default charset=utf8;‘
    cur.execute(creatTableSql)
    for item in getInfo(pageInfo):
        insertSql = ‘insert into bankUrl(银行名称,网址) value("{1}","{0}")‘.format(item[0],item[1])
        cur.execute(insertSql)

if __name__ == ‘__main__‘:
    main()

查询结果

原文地址：http://blog.51cto.com/13992211/2349065