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

SpringBoot分段处理List集合多线程批量插入数据方式

《SpringBoot分段处理List集合多线程批量插入数据方式》文章介绍如何处理大数据量List批量插入数据库的优化方案:通过拆分List并分配独立线程处理,结合Spring线程池与异步方法提升效率... 目录项目场景解决方案1.实体类2.Mapper3.spring容器注入线程池bejsan对象4.创建

线上Java OOM问题定位与解决方案超详细解析

《线上JavaOOM问题定位与解决方案超详细解析》OOM是JVM抛出的错误,表示内存分配失败,:本文主要介绍线上JavaOOM问题定位与解决方案的相关资料,文中通过代码介绍的非常详细,需要的朋... 目录一、OOM问题核心认知1.1 OOM定义与技术定位1.2 OOM常见类型及技术特征二、OOM问题定位工具

PHP轻松处理千万行数据的方法详解

《PHP轻松处理千万行数据的方法详解》说到处理大数据集,PHP通常不是第一个想到的语言,但如果你曾经需要处理数百万行数据而不让服务器崩溃或内存耗尽,你就会知道PHP用对了工具有多强大,下面小编就... 目录问题的本质php 中的数据流处理:为什么必不可少生成器:内存高效的迭代方式流量控制:避免系统过载一次性

C#实现千万数据秒级导入的代码

《C#实现千万数据秒级导入的代码》在实际开发中excel导入很常见,现代社会中很容易遇到大数据处理业务,所以本文我就给大家分享一下千万数据秒级导入怎么实现,文中有详细的代码示例供大家参考,需要的朋友可... 目录前言一、数据存储二、处理逻辑优化前代码处理逻辑优化后的代码总结前言在实际开发中excel导入很

MyBatis-plus处理存储json数据过程

《MyBatis-plus处理存储json数据过程》文章介绍MyBatis-Plus3.4.21处理对象与集合的差异:对象可用内置Handler配合autoResultMap,集合需自定义处理器继承F... 目录1、如果是对象2、如果需要转换的是List集合总结对象和集合分两种情况处理,目前我用的MP的版本

GSON框架下将百度天气JSON数据转JavaBean

《GSON框架下将百度天气JSON数据转JavaBean》这篇文章主要为大家详细介绍了如何在GSON框架下实现将百度天气JSON数据转JavaBean,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录前言一、百度天气jsON1、请求参数2、返回参数3、属性映射二、GSON属性映射实战1、类对象映

C# LiteDB处理时间序列数据的高性能解决方案

《C#LiteDB处理时间序列数据的高性能解决方案》LiteDB作为.NET生态下的轻量级嵌入式NoSQL数据库,一直是时间序列处理的优选方案,本文将为大家大家简单介绍一下LiteDB处理时间序列数... 目录为什么选择LiteDB处理时间序列数据第一章:LiteDB时间序列数据模型设计1.1 核心设计原则

Java+AI驱动实现PDF文件数据提取与解析

《Java+AI驱动实现PDF文件数据提取与解析》本文将和大家分享一套基于AI的体检报告智能评估方案,详细介绍从PDF上传、内容提取到AI分析、数据存储的全流程自动化实现方法,感兴趣的可以了解下... 目录一、核心流程:从上传到评估的完整链路二、第一步:解析 PDF,提取体检报告内容1. 引入依赖2. 封装

MySQL中查询和展示LONGBLOB类型数据的技巧总结

《MySQL中查询和展示LONGBLOB类型数据的技巧总结》在MySQL中LONGBLOB是一种二进制大对象(BLOB)数据类型,用于存储大量的二进制数据,:本文主要介绍MySQL中查询和展示LO... 目录前言1. 查询 LONGBLOB 数据的大小2. 查询并展示 LONGBLOB 数据2.1 转换为十

使用SpringBoot+InfluxDB实现高效数据存储与查询

《使用SpringBoot+InfluxDB实现高效数据存储与查询》InfluxDB是一个开源的时间序列数据库,特别适合处理带有时间戳的监控数据、指标数据等,下面详细介绍如何在SpringBoot项目... 目录1、项目介绍2、 InfluxDB 介绍3、Spring Boot 配置 InfluxDB4、I