当前位置: 首页 > news >正文

网站开发ssh购物网站开发小结

网站开发ssh,购物网站开发小结,工业设计专业就业前景怎么样,请人开发网站多少钱文章目录 selenium爬虫——以爬取澎湃新闻某搜索结果为例前言需要导入的包需要避雷的点webdriver的版本要与浏览器一致如果使用爬虫打开了新网页#xff0c;要记得跳转XPath和selector都可以直接复制爬取多网页时记得try打入word时调整字体的问题 完整程序扩展爬取效果 seleni… 文章目录 selenium爬虫——以爬取澎湃新闻某搜索结果为例前言需要导入的包需要避雷的点webdriver的版本要与浏览器一致如果使用爬虫打开了新网页要记得跳转XPath和selector都可以直接复制爬取多网页时记得try打入word时调整字体的问题 完整程序扩展爬取效果 selenium爬虫——以爬取澎湃新闻某搜索结果为例 前言 本程序致力于实现以下目标 1爬取澎湃新闻关于“反腐”的全部文章内容 2按标题、链接将其整理到excel中 3将标题和文章整合到一个word文档中。 许久没有正经写过了有些生疏代码耦合度蛮高的所幸目标达成了。 需要导入的包 import time import docx import xlwt from docx.oxml.ns import qn from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.common.action_chains import ActionChains需要避雷的点 webdriver的版本要与浏览器一致 如果用的是google chrome可以在这里找到新版本的driver 其他浏览器的话直接百度就能找到。 如果使用爬虫打开了新网页要记得跳转 一开始不知道这一点试了半天都定位不到要爬取的元素结果最后发现一直没跳转到第二个页面上那在第一个页面上当然定位不到了……跳转的代码如下 new_window driver.window_handles[1] #找第二个窗口 driver.switch_to.window(new_window) #切换到新窗口 driver.refresh() #刷新XPath和selector都可以直接复制 复制过程如下图所示比自己写方便多了。 爬取多网页时记得try 比如这次爬取的澎湃新闻的文章有些链接点进去是视频是我们所不需要的定位的位置也不一样极有可能会报错中断。这时就需要try-except语句来帮助我们跳过了。 try:x_path//main/div[4]/div[1]/div[1]/div/h1titledriver.find_element(By.XPATH, x_path)x_path //main/div[4]/div[1]/div[1]/div/div[2]articledriver.find_element(By.XPATH, x_path)print(title.text)print(article.text)file.add_paragraph(article.text) except:print(非文字)打入word时调整字体的问题 具体程序如下 for para in file.paragraphs:for run in para.runs:run.font.size docx.shared.Pt(10) #设置字体大小为10run.font.name Times New Roman #英文run._element.rPr.rFonts.set(qn(w:eastAsia), u楷体) # 中文值得注意的是中文的字体前面最好加一个u而且qn需要单独导包 from docx.oxml.ns import qn完整程序 import time import docx import xlwt from docx.oxml.ns import qn from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.common.action_chains import ActionChains def main():driver webdriver.Edge()driver.get(https://www.thepaper.cn/)time.sleep(1)searchdriver.find_element(By.TAG_NAME,input)search.send_keys(反腐)time.sleep(1)x_path//main/div/div/div/div/div/div/div/spansend_buttondriver.find_element(By.XPATH,x_path)ActionChains(driver).move_to_element(send_button).click(send_button).perform()time.sleep(1)x_path//main/div[3]/div[1]/div/div[2]/div/ul/li[2]send_buttondriver.find_element(By.XPATH,x_path)ActionChains(driver).move_to_element(send_button).click(send_button).perform()time.sleep(1)last_height driver.execute_script(return document.body.scrollHeight) # 获取当前页面的高度driver.execute_script(window.scrollTo(0, document.body.scrollHeight);)time.sleep(2)driver.execute_script(window.scrollTo(0, document.body.scrollHeight/2);)last_height driver.execute_script(return document.body.scrollHeight)while True: # 模拟下拉操作直到滑动到底部driver.execute_script(window.scrollTo(0, document.body.scrollHeight);) # 模拟下拉操作time.sleep(2) # 等待页面加载new_height driver.execute_script(return document.body.scrollHeight) # 获取当前页面的高度if new_height last_height: # 判断是否已经到达页面底部breaklast_height new_heightx_path//main/div[3]/div[1]/div/div/div/ul/li/div/anamesdriver.find_elements(By.XPATH,x_path)name_text[]name_href[]num-1for name in names:name_text.append(name.text)name_href.append(name.get_attribute(href))numnum1print(name.text)print(name.get_attribute(href))filedocx.Document() #创建docx对象workbook xlwt.Workbook()sheet1 workbook.add_sheet(sheet1, cell_overwrite_okTrue)sheet1.write(0,0,标题)sheet1.write(0,1,链接)for i in range(num1):print(name_text[i])print(name_href[i])addressname_href[i]driver.get(address)file.add_paragraph(name_text[i])sheet1.write(i1,0,name_text[i])sheet1.write(i 1, 1, name_href[i])try:x_path//main/div[4]/div[1]/div[1]/div/h1titledriver.find_element(By.XPATH, x_path)x_path //main/div[4]/div[1]/div[1]/div/div[2]articledriver.find_element(By.XPATH, x_path)print(title.text)print(article.text)file.add_paragraph(article.text)except:print(非文字)for para in file.paragraphs:for run in para.runs:run.font.size docx.shared.Pt(10) #设置字体大小为10run.font.name Times New Roman #英文run._element.rPr.rFonts.set(qn(w:eastAsia), u楷体) # 中文file.save(crawlerResult.docx)workbook.save(./crawlerResult.xls)if __name____main__:main()扩展 现将功能扩展如下 1爬取分别以“反腐”“从严治党”“廉洁”三个关键词搜索的文章内容并存储 2只保留不重复的部分。 为实现该功能需要一个字典来判断该文章是否已经被搜索过 dict{} #记录是否重复的字典 namesdriver.find_elements(By.XPATH,x_path) for name in names:if name.text not in dict:name_text.append(name.text)name_href.append(name.get_attribute(href))numnum1print(name.text)print(name.get_attribute(href))dict[name.text]1另外发现爬取过程中可能出现某网址已经失效的情况在这种情况下需要跳过否则程序也会因执行不下去而异常结束此处使用try-except处理 try:addressname_href[i]driver.get(address) except:print(网址失效)扩展之后的程序如下 import time import docx import xlwt from docx.oxml.ns import qn from selenium import webdriver from selenium.webdriver.common.by import By from selenium.webdriver.common.action_chains import ActionChains def main():search_word[反腐,从严治党,廉洁]search_word_lensearch_word.__len__()dict{} #记录是否重复的字典num -1 #记录标题数search_word_num0 #搜索到第几个词name_text []name_href []for word in search_word:search_word_numsearch_word_num1driver webdriver.Edge()driver.get(https://www.thepaper.cn/)time.sleep(1)searchdriver.find_element(By.TAG_NAME,input)#print(word)search.send_keys(word)time.sleep(1)x_path//main/div/div/div/div/div/div/div/spansend_buttondriver.find_element(By.XPATH,x_path)ActionChains(driver).move_to_element(send_button).click(send_button).perform()time.sleep(1)x_path//main/div[3]/div[1]/div/div[2]/div/ul/li[2]send_buttondriver.find_element(By.XPATH,x_path)ActionChains(driver).move_to_element(send_button).click(send_button).perform()time.sleep(1)last_height driver.execute_script(return document.body.scrollHeight) # 获取当前页面的高度driver.execute_script(window.scrollTo(0, document.body.scrollHeight);)time.sleep(2)driver.execute_script(window.scrollTo(0, document.body.scrollHeight/2);)last_height driver.execute_script(return document.body.scrollHeight)while True: # 模拟下拉操作直到滑动到底部driver.execute_script(window.scrollTo(0, document.body.scrollHeight);) # 模拟下拉操作time.sleep(2) # 等待页面加载new_height driver.execute_script(return document.body.scrollHeight) # 获取当前页面的高度if new_height last_height: # 判断是否已经到达页面底部breaklast_height new_heightx_path//main/div[3]/div[1]/div/div/div/ul/li/div/anamesdriver.find_elements(By.XPATH,x_path)for name in names:if name.text not in dict:name_text.append(name.text)name_href.append(name.get_attribute(href))numnum1print(name.text)print(name.get_attribute(href))dict[name.text]1if search_word_num search_word_len:filedocx.Document() #创建docx对象workbook xlwt.Workbook()sheet1 workbook.add_sheet(sheet1, cell_overwrite_okTrue)sheet1.write(0,0,标题)sheet1.write(0,1,链接)for i in range(num1):print(name_text[i])print(name_href[i])try:addressname_href[i]driver.get(address)except:print(网址失效)file.add_paragraph(name_text[i])sheet1.write(i1,0,name_text[i])sheet1.write(i 1, 1, name_href[i])try:x_path//main/div[4]/div[1]/div[1]/div/h1titledriver.find_element(By.XPATH, x_path)x_path //main/div[4]/div[1]/div[1]/div/div[2]articledriver.find_element(By.XPATH, x_path)print(title.text)print(article.text)file.add_paragraph(article.text)except:print(非文字)for para in file.paragraphs:for run in para.runs:run.font.size docx.shared.Pt(10) #设置字体大小为10run.font.name Times New Roman #英文run._element.rPr.rFonts.set(qn(w:eastAsia), u楷体) # 中文file.save(crawlerResult.docx)workbook.save(./crawlerResult.xls)else:driver.close()print(dict.keys()) if __name____main__:main()爬取效果 word共2203页324万字 excel共1768行1767个文章标题第一行为表头
http://www.w-s-a.com/news/709064/

相关文章:

  • 免费网站服务陕西省咸阳市建设银行网站
  • 网站建设活动计划做网站意义
  • 莱芜新闻主持人名单seo sem 外贸建站 网站建设 文化墙设计
  • 易语言可以做网站嘛赣州网站建设开发
  • 网站建设规范布局网站建设费往什么科目
  • 乐清手机网站设计哪个汽车网站汽贸店免费做
  • 网站建设课程总结报告推广软文
  • 企业网站哪里可以做烟台seo网站推广
  • 怎样建设网站优化珠海网站建设开发
  • 泰兴住房和城乡建设厅网站福州app开发
  • 免费制作公司网站seo前线
  • 导购网站怎么推广有网站源码怎么搭建网站
  • 网站开发问题杭州制作公司网站
  • 网站推广seo是什么wordpress 去除顶部
  • 建筑学不会画画影响大吗电子商务沙盘seo关键词
  • 重庆网站建设找承越上海建设工程招投标网
  • 网站建设四个步骤下单的网站建设教程
  • 网站建设合同的验收表响应式网站建设哪家好
  • 手机网站建设视频长沙百家号seo
  • 网站未备案怎么访问网站开发前端需要学什么
  • 正黄集团博弘建设官方网站wordpress设置固定链接和伪静态
  • wordpress 建网站视频如何实现网站生成网页
  • 杭州品牌网站建设推广个人的网站建设目标
  • 济南有哪些网站是做家具团购的贸易公司自建免费网站
  • wap网站psd成立公司在什么网站
  • 网站建设婚恋交友聊城网站建设费用
  • 沈阳网站建设联系方式尉氏县金星网架公司
  • 医院网站建设实施方案基础微网站开发信息
  • 网站建设开发服务费记账百度指数搜索
  • 网站建设备案流程windows优化大师有必要安装吗