扯淡

author:艾莉亞·史塔克
【某某】

作為本公眾號的忠實讀者,你一定在想這個號到底是干嘛的策严,扯淡的嗎柄冲?
當(dāng)然不是,
扯淡是不可能的逝变,
這輩子都不可能扯淡!


image.png

更何況
扯淡這個主題也不可以作為公號的主題
所以
今天來點實用干貨

如果你經(jīng)常碰到一些收集信息的瑣碎任務(wù)奋构,那么可以考慮化繁為簡壳影,用爬蟲工具來替代手工勞動。
本文就是這樣一個例子:爬取信用信息公示系統(tǒng)中弥臼,企業(yè)信息詳情宴咧。

如下圖所示:


image.png

首先確定lxml規(guī)則

image.png

xpath finder插件會直觀顯示匹配結(jié)果。

然后再ipython中驗證

In [1]: import requests

In [2]: from lxml import html

In [3]: resp=requests.get('http://www.sdsszt.com/GSpublicity/GSpublicityList.html?service=entInfo_QuIz54WYBCp98MAnDE+TOjSI6nj4d
   ...: DhPid4wNzIOjLyqVswLC8L8we/iqFGcaayM-q1d+FAeb99tNXz0PkuiXwA==&localSetting=sd&from=singlemessage')

In [4]: text=resp.content.decode('utf-8')

In [7]: root=html.fromstring(text)

In [21]: root.findall('.//tr/td/span[@class=\'label\']')[0].xpath('text()')
Out[21]: ['統(tǒng)一社會信用代碼/注冊號:']

In [22]: root.findall('.//table//tr/td/span[@class=\'label\']')[0].xpath('text()')
Out[22]: ['統(tǒng)一社會信用代碼/注冊號:']

In [23]: root.findall('.//table//tr/td/span[@class=\'content\']')[0].xpath('text()')
Out[23]: ['914406063454106971']

動手寫腳本径缅,一氣呵成

# encoding: utf-8
__author__ = 'fengshenjie'
import requests
from lxml import html
import json
import csv, random

conf = {
    'start_url': [
        'http://www.sdsszt.com/GSpublicity/GSpublicityList.html?service=entInfo_QuIz54WYBCp98MAnDE+TOjSI6nj4dDhPid4wNzIOjLyqVswLC8L8we/iqFGcaayM-q1d+FAeb99tNXz0PkuiXwA==&localSetting=sd&from=singlemessage'
    ],
    'raw_headers': ['''Host: www.sdsszt.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate
Accept-Language: zh-CN,zh;q=0.9,en;q=0.8,zh-TW;q=0.7,da;q=0.6
''']
}


def getHeader():
    headerrow = random.choice(conf['raw_headers'])
    res = {}
    lines = headerrow.split('\n')
    for line in lines:
        try:
            k, v = line.split(':')
            res[k] = v
        except Exception as e:
            print(e, line)
    return res


def downloader(url):
    resp = requests.get(url)
    return resp.content.decode('utf-8')


def parser(text):
    assert isinstance(text, str)
    root = html.fromstring(text)
    res = []
    labels = root.findall('.//tr/td/span[@class=\'label\']')
    contents = root.findall('.//tr/td/span[@class=\'content\']')
    assert len(labels) == len(contents)
    for i in range(len(labels)):
        label = labels[i].xpath('text()')
        content = contents[i].xpath('text()')
        res.append({
            'label': label[0].replace('\r\n', '').strip(),
            'content': content[0].strip()
        })
    # print(json.dumps(res, ensure_ascii=False))
    outputer(res)


def outputer(res, fname='./shunde.csv'):
    assert isinstance(res, list)
    for d in res:
        print(d['label'], d['content'])
    lines = [(d['label'], d['content']) for d in res]
    with open(fname, 'w', encoding='utf-8-sig') as f:
        w = csv.writer(f)
        w.writerows(lines)


def main():
    for url in conf['start_url']:
        print('->', url)
        parser(downloader(url))


if __name__ == '__main__':
    main()

這是我們最后輸出的文件:


image.png

本期嘉賓

image.png



image.png

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末掺栅,一起剝皮案震驚了整個濱河市烙肺,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌氧卧,老刑警劉巖桃笙,帶你破解...
    沈念sama閱讀 212,029評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異假抄,居然都是意外死亡怎栽,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,395評論 3 385
  • 文/潘曉璐 我一進(jìn)店門宿饱,熙熙樓的掌柜王于貴愁眉苦臉地迎上來熏瞄,“玉大人,你說我怎么就攤上這事谬以∏恳” “怎么了?”我有些...
    開封第一講書人閱讀 157,570評論 0 348
  • 文/不壞的土叔 我叫張陵为黎,是天一觀的道長邮丰。 經(jīng)常有香客問我,道長铭乾,這世上最難降的妖魔是什么剪廉? 我笑而不...
    開封第一講書人閱讀 56,535評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮炕檩,結(jié)果婚禮上斗蒋,老公的妹妹穿的比我還像新娘。我一直安慰自己笛质,他們只是感情好泉沾,可當(dāng)我...
    茶點故事閱讀 65,650評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著妇押,像睡著了一般跷究。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上敲霍,一...
    開封第一講書人閱讀 49,850評論 1 290
  • 那天俊马,我揣著相機與錄音,去河邊找鬼肩杈。 笑死潭袱,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的锋恬。 我是一名探鬼主播,決...
    沈念sama閱讀 39,006評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼编丘,長吁一口氣:“原來是場噩夢啊……” “哼与学!你這毒婦竟也來了彤悔?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,747評論 0 268
  • 序言:老撾萬榮一對情侶失蹤索守,失蹤者是張志新(化名)和其女友劉穎晕窑,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體卵佛,經(jīng)...
    沈念sama閱讀 44,207評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡杨赤,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,536評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了截汪。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片疾牲。...
    茶點故事閱讀 38,683評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖衙解,靈堂內(nèi)的尸體忽然破棺而出阳柔,到底是詐尸還是另有隱情,我是刑警寧澤蚓峦,帶...
    沈念sama閱讀 34,342評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站霍转,受9級特大地震影響一汽,放射性物質(zhì)發(fā)生泄漏避消。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,964評論 3 315
  • 文/蒙蒙 一沾谓、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧戳鹅,春花似錦均驶、人聲如沸妇穴。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,772評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至祖凫,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間台诗,已是汗流浹背粱快。 一陣腳步聲響...
    開封第一講書人閱讀 32,004評論 1 266
  • 我被黑心中介騙來泰國打工降盹, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留涡戳,地道東北人。 一個月前我還...
    沈念sama閱讀 46,401評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親竞端。 傳聞我的和親對象是個殘疾皇子雕擂,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,566評論 2 349

推薦閱讀更多精彩內(nèi)容