项目来源：
漂亮学姐因为工作需要，得根据已有的学校名单，采集它们的英文名称，描述，简称有的话也带上。共有 2740 条学校名称数据，一条条去搜索得到结果，然后复制粘贴到表格里，一天下来估计人都傻了。
花几分钟写了个爬虫小程序，帮助小姐姐解放了双手，成功表现了一波，学姐一阵夸奖，还请我喝了一杯美式咖啡，美滋滋。
分析问题
共有 2740 条学校名称数据
在百度百科中搜索清华大学看看
查看网页源代码，可以惊喜的发现，简要描述的数据羡显目地躺在开头！
经过分析可以发现，网页结构简单，可以通过构造URL请求，获取网页源码，然后从中提取我们想要的数据即可
爬虫代码
当当当，下面该我们的爬虫上场了
导入需要用到的库
import requests
import pandas as pd
from random import choice
from lxml import etree
import openpyxl
import logging
基本配置参数
# 日志输出的基本配置
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')
wb = openpyxl.Workbook() # 创建工作簿对象
sheet = wb.active # 获取活动的工作表
sheet.append(['学校名称', '中文简称', '学校名称（英文）', '描述', '百度百科链接']) # 添加第一行列名
# 产生随机请求头用于切换
user_agent = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
......
"Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]
读取数据、爬取网页
# 读取已有的学校名称数据
df = pd.read_excel('学校名称.xlsx')['学校名称']
items = df.values
# 遍历 获取每所学校名称
for item in items:
try:
# 随机生成请求头
headers = {
'User-Agent':choice(user_agent)
}
# 构造url
url = f'https://baike.baidu.com/item/{item}'
# 发送请求 获取响应
rep = requests.get(url, headers=headers)
# Xpath解析提取数据
html = etree.HTML(rep.text)
# 描述
description = ''.join(html.xpath('/html/head/meta[4]/@content'))
# 外文名
en_name = '，'.join(html.xpath('//dl[@class="basicInfo-block basicInfo-left"]/dd[2]/text()')).strip()
# 中文简称 有的话 是在dd[3]标签下
simple_name = ''.join(html.xpath('//dl[@class="basicInfo-block basicInfo-left"]/dd[3]/text()')).strip()
sheet.append([item, simple_name, en_name, url])
logging.info([item, simple_name, en_name, description, url])
except Exception as e:
logging.info(e.args)
pass
# 保存数据
wb.save('成果.xlsx')
运行效果如下：
有 2740 页的数据需要请求爬取，为了提高爬取效率，可以使用多线程。
近期有很多朋友通过私信咨询有关Python学习问题。为便于交流，点击蓝色自己加入讨论解答资源基地
网友评论