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 urlopenimport pymysqldef 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
转载于:https://blog.51cto.com/13992211/2349065