怎么防爬虫爬取信息_python爬虫之关键信息爬取

点击上方蓝字关注我

财乃天地至公之物，假手于人罢了，雨打残花风卷流云。轮番更转而已，穷转富，富转穷，哪有百世富家翁？

郭德纲

前言

网上找的一个案例自己再次复现，加上自己的理解和记录过程中遇到的一些小问题，当巩固基础。附上原案例出处链接：

https://bbs.ichunqiu.com/thread-40908-1-1.html

实验对象

如上，目录下有全国所有的城市，点击每一个城市的链接进去都会有所属城市的所有大学的信息，本次案例就是要收集所有城市下所对应大学的名字并导出文件，文件以对应的城市命名。最后的成果如下：

实验过程

01

审查元素

f12 打开开发者工具审查源码发现整个表格信息在  标签下，每一行信息在  标签下，每个单元格信息在 标签下，而我们所要获得的学校的名字就在每个  下的第二个  中

02

获取网页源码

① python 源码

#!/usr/bin/env python# -*- coding: utf-8 -*-import requestsimport lxmlfrom bs4 import BeautifulSoupimport io,sys# from bs4 import BeautifulSoup as bf # 修改 BeautifulSoup 模块的名字为 bfsys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # 将页面的编码强制为 gb18030def School(): url = "https://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-2.html" r = requests.get(url=url)    soup = BeautifulSoup(r.content,"lxml") #利用beautifulsoup解析页面内容，将返回内容赋值给soup，得到一个beautifulsoup文档对象 print(soup)if __name__ == '__main__': School()

② 结果

以上的源码中有一句语句设置了 python 默认的编码为 gb18030

sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

值得注意的是，如果不使用上面的语句设置 python 的默认编码为的话会报错，如下：

UnicodeEncodeError: 'gbk' codec can't encode character '\xa0' in position 4400: illegal multibyte sequence

对于此(类)问题：(1)出现 UnicodeEncodeError –> 说明是 Unicode 编码时候的问题；(2) ‘gbk’ codec can’t encode character –> 说明是将 Unicode 字符编码为 GBK 时候出现的问题；此时，往往最大的可能就是，本身Unicode类型的字符中，包含了一些无法转换为 GBK 编码的一些字符。(3) print()函数自身有限制，不能完全打印所有的unicode字符，python的默认编码不是 ‘utf-8’，改一下 python 的默认编码成 ‘gb18030’

03

提取单页关键信息

在能够成功获取网页源码的基础上，进一步缩小获取内容的范围，根据以上分析的 HTML 标签的特性，通过使用 find_all() 搜索  标签从而来定位表格的每一行，通过搜索  标签来定位每一个单元格。

① python 源码

#!/usr/bin/env python# -*- coding: utf-8 -*-import requestsimport lxmlimport io,sysfrom bs4 import BeautifulSoup# from bs4 import BeautifulSoup as bssys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # 将页面的编码强制为 gb18030def school(): url = "http://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-2.html" r = requests.get(url)    soup = BeautifulSoup(r.content,"lxml") #利用beautifulsoup解析页面内容，将返回内容赋值给soup，得到一个beautifulsoup文档对象    content = soup.find_all(name = "tr",attrs= { 
           "height":"29"}) # 查找所有标签为 ，且标签内对象为 "height"=29 for content1 in content: soup_content = BeautifulSoup(str(content1),"lxml")            soup_content1 = soup_content.find_all(name="td") # 查找所有  标签 print(soup_content1[1]) # 取第二个 标签if __name__ == '__main__': school()

② 结果

输出的结果显示出现错误：列表的索引超出范围，但是还是有一个输出，也就是说，在循环过程中进行到第二个  标签的时候出现了如下错误。

③ 审查元素

打开开发者工具审查元素之后发现，除了的第二个  标签(第二行)之外，其他  标签都有 7 个 标签(7 个单元格)，所以当 for 循环到第二个  标签的时候出现错误。这里的解决方法可以使用 python 的异常处理，绕过错误继续运行。

④ python 源码修正

#!/usr/bin/env python# -*- coding: utf-8 -*-import requestsimport lxmlimport io,sysfrom bs4 import BeautifulSoup# from bs4 import BeautifulSoup as bssys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # 将页面的编码强制为 gb18030def school(): url = "http://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-2.html" r = requests.get(url)    soup = BeautifulSoup(r.content,"lxml") #利用beautifulsoup解析页面内容，将返回内容赋值给soup，得到一个beautifulsoup文档对象 content = soup.find_all(name = "tr",attrs= { 
                   "height":"29"})  # 查找所有标签为 ，且标签内对象为 "height"=29 for content1 in content: try: soup_content = BeautifulSoup(str(content1),"lxml") soup_content1 = soup_content.find_all(name="td") # 查找所有  标签            print(soup_content1[1]) # 获取第二个  标签 except IndexError: passif __name__ == '__main__': school()

⑤ 结果

04

提取多页关键信息

以上是提取到一个城市的学校名，接下来需要提权所有城市的学校名信息。通过比较每个城市网页的链接发现，只是文件名最后的数字不同。所以可以使用 for 循环切换网页链接。

https://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-2.htmlhttps://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-3.html

同时在网页的最下端也发现所需提取城市的数量范围是 2 - 32

① python 源码

#!/usr/bin/env python# -*- coding: utf-8 -*-import requestsimport lxmlimport io,sysfrom bs4 import BeautifulSoupsys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # 将页面的编码强制为 gb18030def school(): for i in range(2,34,1): url = "http://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-%s.html"%(str(i)) r = requests.get(url)        soup = BeautifulSoup(r.content,"lxml") #利用beautifulsoup解析页面内容，将返回内容赋值给soup，得到一个beautifulsoup文档对象 content = soup.find_all(name="tr",attrs={ 
                      "height":"29"}) # 查找所有标签为 ，且标签内对象为 "height"=29 for content1 in content: try: soup_content = BeautifulSoup(str(content1),"lxml") soup_content1 = soup_content.find_all(name="td") # 查找所有  标签 print(soup_content1[1].string) # 获取第二个 标签中的字符串 except IndexError: passif __name__ == '__main__':    school()

② 结果

结果就是将所有城市的所有大学都打印出来了

05

将爬取的信息保存到本地

基于上面的基础，将获取的每一个城市的大学名存储在 txt 文件中，并以所属城市名命名，以 find_all 方法搜索 标签定位到第二行的城市名。

① python 源码

由于在遍历每个城市的时候又出现 列表索引超出范围 的错误，所以在 for 循环之后又使用了一次异常处理。

#!/usr/bin/env python# -*- coding: utf-8 -*-import requestsimport lxmlimport io,sysfrom bs4 import BeautifulSoupsys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030') # 将页面的编码强制为 gb18030def school(): for i in range(2,34,1): try: url = "http://gaokao.chsi.com.cn/gkxx/zszcgd/dnzszc/201706/20170615/1611254988-%s.html"%(str(i)) r = requests.get(url) soup = BeautifulSoup(r.content,"lxml") #利用beautifulsoup解析页面内容，将返回内容赋值给soup，得到一个beautifulsoup文档对象 filename = soup.find_all(name="td",attrs={ 
                          "colspan":"7"})[0].string # 获取第一个