本文主要是介绍爬取财富500强的数据,用xpath定位,爬取两层链接,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
文章目录
- 前言
- 一、Xpath定位
- 1.安装lxml
- 2.引用etree
- 3.代码示例
- 4.解读xpath
- 4.html结构
- 二、使用步骤
- 1.引入库
- 2.拼接第二层链接的url
- 三、完整代码
前言
这篇文章的爬取对象是2021年《财富》中国500强排行榜 ,里面的数据是封装在两个页面里的,需要爬取两层链接。一、Xpath定位
应用的是lxml里的etree库,简单的应用笔记链接
1.安装lxml
pip install lxml
2.引用etree
from lxml import etree
3.代码示例
# 获取公司名位置的数据
req = etree.HTML(html)
companys = req.xpath('//table[@class="wt-table"]/tbody/tr/td[3]/a/text()')
4.解读xpath
// table 选取所有 table 子元素,而不管它们在文档中的位置。//table[@class="wt-table"] 选取class属性是wt-table的table标签。
/tbody 选择其下的第一个tbody标签。
/td[3] 选择其下的第三个td标签。
/text() 获取这个位置的文本内容。
综上,'//table[@class="wt-table"]/tbody/tr/td[3]/a/text()'是获取全文的class属性是wt-table的table标签,里面的第一个tbody标签,tbody下的第一个tr,tr下的第三个td,td里的a标签,获取a里的文本
4.html结构
二、使用步骤
1.引入库
代码如下:
import requests, random
import os
from lxml import etree
import xlsxwriter
该处使用的url网络请求的数据。
2.拼接第二层链接的url
代码如下:
hrefs = req.xpath('//table[@class="wt-table"]/tbody/tr/td[3]/a/@href')data_list = []for href in hrefs:href = href.replace('../', '') # 例:原href='../../../../global500/517/2021' 去掉../href = "http://www.fortunechina.com/{}".format(href) # 拼接上前缀
三、完整代码
'''
xpath定点爬虫
'''
# -*- coding: UTF-8 -*-
import requests, random
import os
from lxml import etree
import xlsxwriterclass Httprequest(object):ua_list = ['Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1','Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36Chrome 17.0','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11','Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0Firefox 4.0.1','Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1','Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50','Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50','Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',]@property # 把方法变成属性的装饰器def random_headers(self):return {'User-Agent': random.choice(self.ua_list)}class Get_data(Httprequest):def __init__(self):self.murl = "https://www.fortunechina.com/fortune500/c/2021-07/20/content_392708.htm"def get_chinadata(self):html = requests.get(self.murl, headers=self.random_headers, timeout=5).content.decode('utf-8')# print(html)req = etree.HTML(html)# 用xpath路径定位所要获取的元素rankings = req.xpath('//table[@class="wt-table"]/tbody/tr/td[1]/text()') # 排名last_rankings = req.xpath('//table[@class="wt-table"]/tbody/tr/td[2]/text()') # 上年排名companys = req.xpath('//table[@class="wt-table"]/tbody/tr/td[3]/a/text()') # 公司名incomes = req.xpath('//table[@class="wt-table"]/tbody/tr/td[4]/text()') # 收入profits = req.xpath('//table[@class="wt-table"]/tbody/tr/td[5]/text()') # 利润hrefs = req.xpath('//table[@class="wt-table"]/tbody/tr/td[3]/a/@href') # 下一页面的url地址data_list = []for ranking, last_ranking, company, income, profit, href in zip(rankings, last_rankings, companys, incomes, profits, hrefs):data = [ranking, last_ranking, company, income, profit # 第一页能获取到的5条数据]href = href.replace('../', '') # 例:原href='../../../../global500/517/2021' 去掉../href = "http://www.fortunechina.com/{}".format(href) # 拼接上前缀data.extend(self.get_datahref(href)) # 调用获取第二层链接数据的函数print(data)data_list.append(data)print('\n')self.write_to_zxlsx(data_list)def get_datahref(self, url): # 用于获取第二层链接里的数据,url是拼接好的hrefhtml = requests.get(url, headers=self.random_headers, timeout=5).content.decode('utf-8')req = etree.HTML(html)data = []# 第二个页面的,xpath路径定位所要获取的元素zc = req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[4]/td[2]/text()')shizhi = req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[5]/td[2]/text()')gdqy = req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[6]/td[2]/text()')# lrzb=req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[7]/td[2 ]/text()')jlr = req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[8]/td[3]/text()')jzcsyl = req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[9]/td[3]/text()')zcsyl = req.xpath('//div[@class="top"]/div[@class="table"]/table/tr[10]/td[3]/text()')# 获取到元素添加到data表里data.extend(zc)data.extend(shizhi)data.extend(gdqy)# data.extend(lrzb)data.extend(jlr)data.extend(jzcsyl)data.extend(zcsyl)print('href.......',data,end='\n')return datadef write_to_zxlsx(self, data_list): # 把数据存入xlsx文件里#mypath = os.path.dirname((os.path.abspath(__file__))) # 去掉当前文件名的绝对路径workbook = xlsxwriter.Workbook(mypath + '\{}.xlsx'.format("2021年《财富》中国500强排行榜")) # 生成一个xlsx文件,format后是文件名worksheet = workbook.add_worksheet("2021年《财富》中国500强排行榜") # 生成一个工作表,(表名)title = ['排名', '上年排名', '公司名称(中文)', '营业收入(百万美元)', '利润(百万美元)', '资产', '市值', '股东权益', '净利率', '净资产收益率', '资产收益率']worksheet.write_row('A1', title)for index, data in enumerate(data_list):num0 = str(index + 2)row = 'A' + num0worksheet.write_row(row, data)workbook.close()if __name__ == "__main__":spider = Get_data()spider.get_chinadata()
注:代码主体是修改自他人,但没有注释,对于小白难以理解和改写。现对其标注,望能帮助到有需要的人。
这篇关于爬取财富500强的数据,用xpath定位,爬取两层链接的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!