最近公司有一項Python爬取數(shù)據(jù)的工作，借鑒以往的代碼將爬蟲重新更新并整理

將現(xiàn)有爬蟲分成幾部分

0.文件讀取器

其實文件讀取和4中的文件存儲是在一個部分的

這里簡單介紹下xls的讀取

defdeal_xls_col(name,sheet_name):

body=xlrd.open_workbook(name)

try:

sh=body.sheet_by_name(sheet_name)

except:

print"EORR"

returnsh.col_values(0)格式請忽略

這里讀取了一豎行的xls的數(shù)據(jù)

返回的格式為list

1.總調(diào)度器

這里主要是寫邏輯，及0234的順序。

2.網(wǎng)頁下載器

網(wǎng)頁下載器主要是來模擬瀏覽器訪問對應(yīng)url

一個簡單的例子

classHtmlDownloader(object):

defdownload(self,url):

ifurlisNone:

returnNone

response=urllib2.urlopen(url,timeout=300)

ifresponse.getcode()!=200:

returnNone

returnresponse.read()

例子只是去訪問url并沒有對cookie等相關(guān)限制信息做處理(需要請自行添加)

3.網(wǎng)頁分析器

網(wǎng)頁分析器其實就是來處理下載器返回的html的源碼，比如用selenium來處理的話則有

company_info_text=driver.find_element_by_class_name('company_info_text')

company_text=driver.find_element_by_class_name('rowb-c-whitecompany-content')

就是用selenium的一些方法來獲取你需要的數(shù)據(jù)而已

4.文件存儲器

這里以xls為例：

defcreat_xls_6(xls_name):

styleBoldRed=xlwt.easyxf('font:color-indexred,boldon')

headerStye=styleBoldRedwb=xlwt.Workbook()

ws=wb.add_sheet(xls_name)

ws.write(0,0,"name",headerStye)

ws.write(0,1,"oper_name",headerStye)

ws.write(0,2,"start_date",headerStye)

ws.write(0,3,"xfsSearchStatus",headerStye)

wb.save(xls_name)

創(chuàng)建xls表格

definsert_xls_6(xls_name,id,name,oper_name,start_date,xfsSearchStatus):

oldWb=xlrd.open_workbook(xls_name)

newWb=copy(oldWb)

newWs=newWb.get_sheet(0)

newWs.write(id,0,name)

newWs.write(id,1,oper_name)

newWs.write(id,2,start_date)

newWs.write(id,3,xfsSearchStatus)

newWb.save(xls_name)

插入數(shù)據(jù)到表格

這里面沒有什么高深的秘密，只要你封裝好自己的函數(shù)就好了

上面的例子還不是最好的版本，因為每次使用都要重新修改，應(yīng)該傳入一個數(shù)據(jù)來代替那些變量，這樣就可以適配各種數(shù)據(jù)的表格創(chuàng)建和添加了

還有要說的就是：一些網(wǎng)站會限制你爬取數(shù)據(jù)，但是大多數(shù)網(wǎng)站都是友好的，但是這并不表示你可以肆無忌憚的毫無限制的去爬取。爬取的時間最好設(shè)置成晚上或者。。。。

還有就是不要對目標(biāo)網(wǎng)站造成不必要的‘傷害’。

爬蟲并不難，且行且珍惜!

以上內(nèi)容為大家介紹了PythonSelenium爬取數(shù)據(jù)，希望對大家有所幫助，如果想要了解更多Python相關(guān)知識，請關(guān)注IT培訓(xùn)機構(gòu):千鋒教育。http://www.parentadvocate.org/