爬取futurelearn课程网上的课程信息

前言

上一篇博客因为写的比较急，个人原因，导致很多地方不完善，具体功能也没有进行说明，这一篇

算是对上一篇的完善，以及对静态网页爬取的一个总结。

要求，计划

爬取futurelearn课程网中subjects类别中science-engineering-and-maths-courses课程中全部课程，

其中，每个课程需要爬取‘课程名‘, ‘课程性质与阶段学习‘, ‘介绍‘, ‘话题‘, ‘开始时间‘, ‘服务对象‘, ‘老师‘,

‘课程创作人‘等具体内容

初始URL：https://www.futurelearn.com/subjects/science-engineering-and-maths-courses

爬取要求：

点开一个课程查看需要爬取的具体内容：

爬取思路

（1）通过requests请求网页。

（2）解析首页内容，将首页所有课程的URL爬取下来，并保存在列表中。

（3）遍历所有的URL，解析每个课程页面，获取里面的内容，并将每个课程的内容放入单独的列表中，

最后将所有列表存在一个大列表中，此时列表为两层。

（4）将列表里的内容存入CSV文件中。

示意图：

整个项目包括四大块：

（一）请求

1 def getHTMLText(url, code =‘utf-8‘):
2     try:
3         r = requests.get(url, timeout=30)
4         r.raise_for_status()
5         r.encoding = r.apparent_encoding
6         return r.text
7     except:
8         print("获取失败")

（二）获得所有课程URL

遇到的重大问题：请求得到URL多于要求的课程URL，并且爬取到的链接有多于的内容，导致部分

链接不能解析。

要得到的是courses里面的课程

多于的不合要求的

解决方案：遍历子网页，剔除多于的链接，并且将有多余内容链接里的内容替换为null

 1 def getCourseList(lst, html):
 2     soup = BeautifulSoup(html, ‘html.parser‘)
 3     div_href = soup.find_all(‘div‘, class_=‘m-grid-of-cards m-grid-of-cards--compact‘)
 4     cop = re.compile(‘href="(.*?)">‘)
 5     href_get = re.findall(cop, str(div_href))
 6     z = ""
 7     # print(href_get)
 8     # print(type(href_get))
 9     for i in href_get:
10         j = ‘courses‘
11         m = r‘" role="button‘
12         if j in i:
13             if m in i:
14                 i = i.replace(m, z)
15             # print("https://www.futurelearn.com"+i)
16             else:
17                 pass
18             # print("https://www.futurelearn.com"+i)
19             i = "https://www.futurelearn.com" + i
20             lst.append(i)
21
22         else:
23             pass
24     # print(lst)
25     return lst

（三）获得课程信息

遇到的重大问题：（1）测试过程中有的内容只有属于自己的标签，有的内容用同一个标签，循环爬取时没有

将同一标签的内容柔和在一起。（比如课程性质与阶段学习里面有四个相同标签需要爬取）

解决方案：在for循环外定义空字符串，循环依次添加到一个字符串中

（2）爬取所有课程同一标签内容时，存在有的课程没有这项内容，导致产生异常

解决方案：通过try—except方法解决异常，并将一串“********”的字符填进去，防止某些在某些课程列表中

缺少数据，导致存入数据异常。

 1 def CourseList(lst, list_1):
 2
 3     for i in lst:
 4         list_ = []
 5         url = i
 6         r = requests.get(url, timeout=30)
 7
 8         r.encoding = r.apparent_encoding
 9         html = r.text
10         x = BeautifulSoup(html, ‘html.parser‘)
11
12         for i in x.find_all(‘h1‘, class_=‘m-dual-billboard__heading‘) :
13             list_.append(i.text)
14         # print(list_)
15
16         a_1 = ‘‘
17         for a in x.find_all(‘span‘, class_=‘m-key-info__content‘):
18             a_1 += a.text
19         list_.append(a_1)
20         # print(list_1)
21
22         b_1 = ‘‘
23         for b in x.find(‘div‘, class_="a-content a-content--tight").find_all(‘p‘):
24             b_1 += b.text
25         list_.append(b_1)
26         # print(list_)
27
28         c = x.find(‘section‘, class_=‘a-section a-section--alt-adjacent‘).find(‘div‘, class_=‘a-content‘)
29         list_.append(c.text)
30         # print(list_)
31
32         d = x.find(‘section‘, class_=‘a-section‘, id=‘section-dates‘).find(‘p‘, class_=‘u-responsive-alignment‘)
33         list_.append(d.text)
34         # print(list_)
35
36         e = x.find(‘section‘, class_=‘a-section‘, id=‘section-requirements‘).find(‘p‘)
37         list_.append(e.text)
38         # print(list_)
39
40         f_1 = ‘‘
41         try:
42
43             for f in x.find(‘section‘, class_=‘a-section‘, id=‘section-educators‘).find_all(‘p‘):
44                 f_1 += f.text
45             list_.append(f_1)
46         except:
47
48             list_.append(‘********‘)
49         # print(list_)
50
51         for g in x.find(‘div‘, class_="a-content a-content--contiguous-top").find(‘p‘):
52             list_.append(g)
53         list_1.append(list_)
54         # print(list_1)
55     return list_1

（四）将数据存入CSV文件

1 def write_dictionary_to_csv(list_1):
2     # print(list_1)
3     name = [‘课程名‘, ‘课程性质与阶段学习‘, ‘介绍‘, ‘话题‘, ‘开始时间‘, ‘服务对象‘, ‘老师‘, ‘课程创作人‘]
4     test = pd.DataFrame(columns=name, data=list_1)
5     test.to_csv(‘D:/test2.csv‘)

全部工程代码

  1 import requests
  2 from bs4 import BeautifulSoup
  3 import bs4
  4 import re
  5 import csv
  6 import pandas as pd
  7
  8 def getHTMLText(url, code =‘utf-8‘):
  9     try:
 10         r = requests.get(url, timeout=30)
 11         r.raise_for_status()
 12         r.encoding = r.apparent_encoding
 13         return r.text
 14     except:
 15         print("获取失败")
 16
 17 # 爬取基本列表
 18 def getCourseList(lst, html):
 19     soup = BeautifulSoup(html, ‘html.parser‘)
 20     div_href = soup.find_all(‘div‘, class_=‘m-grid-of-cards m-grid-of-cards--compact‘)
 21     cop = re.compile(‘href="(.*?)">‘)
 22     href_get = re.findall(cop, str(div_href))
 23     z = ""
 24     # print(href_get)
 25     # print(type(href_get))
 26     for i in href_get:
 27         j = ‘courses‘
 28         m = r‘" role="button‘
 29         if j in i:
 30             if m in i:
 31                 i = i.replace(m, z)
 32             # print("https://www.futurelearn.com"+i)
 33             else:
 34                 pass
 35             # print("https://www.futurelearn.com"+i)
 36             i = "https://www.futurelearn.com" + i
 37             lst.append(i)
 38
 39         else:
 40             pass
 41     # print(lst)
 42     return lst
 43
 44
 45 def CourseList(lst, list_1):
 46
 47     for i in lst:
 48         list_ = []
 49         url = i
 50         r = requests.get(url, timeout=30)
 51
 52         r.encoding = r.apparent_encoding
 53         html = r.text
 54         x = BeautifulSoup(html, ‘html.parser‘)
 55
 56         for i in x.find_all(‘h1‘, class_=‘m-dual-billboard__heading‘) :
 57             list_.append(i.text)
 58         # print(list_)
 59
 60         a_1 = ‘‘
 61         for a in x.find_all(‘span‘, class_=‘m-key-info__content‘):
 62             a_1 += a.text
 63         list_.append(a_1)
 64         # print(list_1)
 65
 66         b_1 = ‘‘
 67         for b in x.find(‘div‘, class_="a-content a-content--tight").find_all(‘p‘):
 68             b_1 += b.text
 69         list_.append(b_1)
 70         # print(list_)
 71
 72         c = x.find(‘section‘, class_=‘a-section a-section--alt-adjacent‘).find(‘div‘, class_=‘a-content‘)
 73         list_.append(c.text)
 74         # print(list_)
 75
 76         d = x.find(‘section‘, class_=‘a-section‘, id=‘section-dates‘).find(‘p‘, class_=‘u-responsive-alignment‘)
 77         list_.append(d.text)
 78         # print(list_)
 79
 80         e = x.find(‘section‘, class_=‘a-section‘, id=‘section-requirements‘).find(‘p‘)
 81         list_.append(e.text)
 82         # print(list_)
 83
 84         f_1 = ‘‘
 85         try:
 86
 87             for f in x.find(‘section‘, class_=‘a-section‘, id=‘section-educators‘).find_all(‘p‘):
 88                 f_1 += f.text
 89             list_.append(f_1)
 90         except:
 91
 92             list_.append(‘********‘)
 93         # print(list_)
 94
 95         for g in x.find(‘div‘, class_="a-content a-content--contiguous-top").find(‘p‘):
 96             list_.append(g)
 97         list_1.append(list_)
 98         # print(list_1)
 99     return list_1
100 def write_dictionary_to_csv(list_1):
101     # print(list_1)
102     name = [‘课程名‘, ‘课程性质与阶段学习‘, ‘介绍‘, ‘话题‘, ‘开始时间‘, ‘服务对象‘, ‘老师‘, ‘课程创作人‘]
103     test = pd.DataFrame(columns=name, data=list_1)
104     test.to_csv(‘D:/test2.csv‘)
105
106 def main():
107     star_url = "https://www.futurelearn.com/subjects/science-engineering-and-maths-courses"
108     infoList = []
109     list_1 = []
110     url = star_url
111     # file_name_ = ‘courses‘
112     html = getHTMLText(url)
113     getCourseList(infoList, html)
114     CourseList(infoList, list_1)
115     write_dictionary_to_csv(list_1)
116 main()

原文地址：https://www.cnblogs.com/yangbiao6/p/12078039.html