爬取财富500强的数据,用xpath定位,爬取两层链接

2023-11-22 07:20

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

a标签


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!



http://www.chinasem.cn/article/408479

相关文章

详谈redis跟数据库的数据同步问题

《详谈redis跟数据库的数据同步问题》文章讨论了在Redis和数据库数据一致性问题上的解决方案,主要比较了先更新Redis缓存再更新数据库和先更新数据库再更新Redis缓存两种方案,文章指出,删除R... 目录一、Redis 数据库数据一致性的解决方案1.1、更新Redis缓存、删除Redis缓存的区别二

Redis事务与数据持久化方式

《Redis事务与数据持久化方式》该文档主要介绍了Redis事务和持久化机制,事务通过将多个命令打包执行,而持久化则通过快照(RDB)和追加式文件(AOF)两种方式将内存数据保存到磁盘,以防止数据丢失... 目录一、Redis 事务1.1 事务本质1.2 数据库事务与redis事务1.2.1 数据库事务1.

Oracle Expdp按条件导出指定表数据的方法实例

《OracleExpdp按条件导出指定表数据的方法实例》:本文主要介绍Oracle的expdp数据泵方式导出特定机构和时间范围的数据,并通过parfile文件进行条件限制和配置,文中通过代码介绍... 目录1.场景描述 2.方案分析3.实验验证 3.1 parfile文件3.2 expdp命令导出4.总结

更改docker默认数据目录的方法步骤

《更改docker默认数据目录的方法步骤》本文主要介绍了更改docker默认数据目录的方法步骤,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1.查看docker是否存在并停止该服务2.挂载镜像并安装rsync便于备份3.取消挂载备份和迁

不删数据还能合并磁盘? 让电脑C盘D盘合并并保留数据的技巧

《不删数据还能合并磁盘?让电脑C盘D盘合并并保留数据的技巧》在Windows操作系统中,合并C盘和D盘是一个相对复杂的任务,尤其是当你不希望删除其中的数据时,幸运的是,有几种方法可以实现这一目标且在... 在电脑生产时,制造商常为C盘分配较小的磁盘空间,以确保软件在运行过程中不会出现磁盘空间不足的问题。但在

Java如何接收并解析HL7协议数据

《Java如何接收并解析HL7协议数据》文章主要介绍了HL7协议及其在医疗行业中的应用,详细描述了如何配置环境、接收和解析数据,以及与前端进行交互的实现方法,文章还分享了使用7Edit工具进行调试的经... 目录一、前言二、正文1、环境配置2、数据接收:HL7Monitor3、数据解析:HL7Busines

Mybatis拦截器如何实现数据权限过滤

《Mybatis拦截器如何实现数据权限过滤》本文介绍了MyBatis拦截器的使用,通过实现Interceptor接口对SQL进行处理,实现数据权限过滤功能,通过在本地线程变量中存储数据权限相关信息,并... 目录背景基础知识MyBATis 拦截器介绍代码实战总结背景现在的项目负责人去年年底离职,导致前期规

Redis KEYS查询大批量数据替代方案

《RedisKEYS查询大批量数据替代方案》在使用Redis时,KEYS命令虽然简单直接,但其全表扫描的特性在处理大规模数据时会导致性能问题,甚至可能阻塞Redis服务,本文将介绍SCAN命令、有序... 目录前言KEYS命令问题背景替代方案1.使用 SCAN 命令2. 使用有序集合(Sorted Set)

SpringBoot整合Canal+RabbitMQ监听数据变更详解

《SpringBoot整合Canal+RabbitMQ监听数据变更详解》在现代分布式系统中,实时获取数据库的变更信息是一个常见的需求,本文将介绍SpringBoot如何通过整合Canal和Rabbit... 目录需求步骤环境搭建整合SpringBoot与Canal实现客户端Canal整合RabbitMQSp

MyBatis框架实现一个简单的数据查询操作

《MyBatis框架实现一个简单的数据查询操作》本文介绍了MyBatis框架下进行数据查询操作的详细步骤,括创建实体类、编写SQL标签、配置Mapper、开启驼峰命名映射以及执行SQL语句等,感兴趣的... 基于在前面几章我们已经学习了对MyBATis进行环境配置,并利用SqlSessionFactory核