Python3--baby网的数据爬取
发布日期:2021-07-01 04:21:13
浏览次数:2
分类:技术文章
本文共 2057 字,大约阅读时间需要 6 分钟。
上代码:
'''本代码用来爬取https://www.babyment.com/yingwenming/kaitou.php?start_letter=A&page=1的信息'''import requests,csv,time,randomfrom bs4 import BeautifulSoupfrom fake_useragent import UserAgent#获取ip列表def get_ip_list(): f=open('IP.txt','r') ip_list=f.readlines() f.close() return ip_list #从IP列表中获取随机IP def get_random_ip(ip_list): proxy_ip = random.choice(ip_list) proxy_ip=proxy_ip.strip('\n') proxies = {'http': proxy_ip} return proxies #功能:将信息写入文件 def write_file(filePath,row): with open(filePath,'a+',encoding='utf-8',newline='') as csvfile: spanreader = csv.writer(csvfile,delimiter='|',quoting=csv.QUOTE_MINIMAL) spanreader.writerow(row) #解析baby网def get_EnNames_list(url,ip_list): print('输入进来的url为:{}'.format(url)) #获取随机IP,headers防止ip被封 headers = {'User-Agent':str(UserAgent().random)} proxies = get_random_ip(ip_list) try: req = requests.get(url=url,headers=headers,proxies=proxies,timeout=10) except: print('运行出错10秒后重新运行') time.sleep(10) headers = {'User-Agent':str(UserAgent().random)} proxies = get_random_ip(ip_list) req = requests.get(url=url,headers=headers,proxies=proxies,timeout=10) #在利用find_all()注意要准确定位 soup = BeautifulSoup(req.text,'lxml') content = soup.find('table',class_='table') content = content.find('tbody') content = content.find_all('tr') name = [] #列表中没有find_all()方法,故需要利用for语句 for each in content: name.append(each.find_all('b')[0].get_text()) return name#获取baby网中所有的的英文名def get_EnNames(letter,ip_list): for number in range(1,100): url = 'https://www.babyment.com/yingwenming/kaitou.php?start_letter={}&page={}'.format(letter,number) #一个网页一个网页的获取我们需要的英文名 name = get_EnNames_list(url,ip_list) #当page遇到最大值时,name就会为空,我们利用这一点进行切换,进入下一个字母的爬取 if not name: print('{}开头的英文名共{}个'.format(letter,number-1)) break for each in name: #将一个列表分为多个列表,从而实现换行 a=[] a.append(each) write_file('A-Z.csv',a)if __name__ == "__main__": ip_list = get_ip_list() for letter in 'ABCDEFGHIJKLMNOPQRSTUVWXYZ': get_EnNames(letter,ip_list)
转载地址:https://mtyjkh.blog.csdn.net/article/details/79900137 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
感谢大佬
[***.8.128.20]2024年04月10日 07时14分58秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
QT中文乱码的解
2019-05-02
netsh用法
2019-05-02
网上Qt多线程同步的一种普遍误识
2019-05-02
libcurl smtp发送邮件附件大小限制问题
2019-05-02
Qt中用QuaZip来压缩和解压缩文件
2019-05-02
第13章 Windows内存体系结构
2019-05-02
windows 和 linux 下c/c++内存分布(整理)
2019-05-02
Qt解析XML文件(QDomDocument)
2019-05-02
Qt图形视图框架
2019-05-02
Qt5中表格处理大数据量
2019-05-02
LeakCanary源码分析
2019-05-02
[转自]同步/异步与阻塞/非阻塞的区别
2019-05-02
单例模式(Singleton)
2019-05-02
ucOS 时钟中断(ISR)
2019-05-02
android Activity之间跳转。
2019-05-02
android Handler解析
2019-05-02
解决 emulator-5554 disconnected
2019-05-02
Android之Activity生命周期
2019-05-02
Android之AIDL使用解析
2019-05-02