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

MySQL 删除数据详解(最新整理)

《MySQL删除数据详解(最新整理)》:本文主要介绍MySQL删除数据的相关知识,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、前言二、mysql 中的三种删除方式1.DELETE语句✅ 基本语法: 示例:2.TRUNCATE语句✅ 基本语

怎样通过分析GC日志来定位Java进程的内存问题

《怎样通过分析GC日志来定位Java进程的内存问题》:本文主要介绍怎样通过分析GC日志来定位Java进程的内存问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、GC 日志基础配置1. 启用详细 GC 日志2. 不同收集器的日志格式二、关键指标与分析维度1.

Java进程异常故障定位及排查过程

《Java进程异常故障定位及排查过程》:本文主要介绍Java进程异常故障定位及排查过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、故障发现与初步判断1. 监控系统告警2. 日志初步分析二、核心排查工具与步骤1. 进程状态检查2. CPU 飙升问题3. 内存

MyBatisPlus如何优化千万级数据的CRUD

《MyBatisPlus如何优化千万级数据的CRUD》最近负责的一个项目,数据库表量级破千万,每次执行CRUD都像走钢丝,稍有不慎就引起数据库报警,本文就结合这个项目的实战经验,聊聊MyBatisPl... 目录背景一、MyBATis Plus 简介二、千万级数据的挑战三、优化 CRUD 的关键策略1. 查

python实现对数据公钥加密与私钥解密

《python实现对数据公钥加密与私钥解密》这篇文章主要为大家详细介绍了如何使用python实现对数据公钥加密与私钥解密,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录公钥私钥的生成使用公钥加密使用私钥解密公钥私钥的生成这一部分,使用python生成公钥与私钥,然后保存在两个文

mysql中的数据目录用法及说明

《mysql中的数据目录用法及说明》:本文主要介绍mysql中的数据目录用法及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、背景2、版本3、数据目录4、总结1、背景安装mysql之后,在安装目录下会有一个data目录,我们创建的数据库、创建的表、插入的

Navicat数据表的数据添加,删除及使用sql完成数据的添加过程

《Navicat数据表的数据添加,删除及使用sql完成数据的添加过程》:本文主要介绍Navicat数据表的数据添加,删除及使用sql完成数据的添加过程,具有很好的参考价值,希望对大家有所帮助,如有... 目录Navicat数据表数据添加,删除及使用sql完成数据添加选中操作的表则出现如下界面,查看左下角从左

SpringBoot中4种数据水平分片策略

《SpringBoot中4种数据水平分片策略》数据水平分片作为一种水平扩展策略,通过将数据分散到多个物理节点上,有效解决了存储容量和性能瓶颈问题,下面小编就来和大家分享4种数据分片策略吧... 目录一、前言二、哈希分片2.1 原理2.2 SpringBoot实现2.3 优缺点分析2.4 适用场景三、范围分片

Redis分片集群、数据读写规则问题小结

《Redis分片集群、数据读写规则问题小结》本文介绍了Redis分片集群的原理,通过数据分片和哈希槽机制解决单机内存限制与写瓶颈问题,实现分布式存储和高并发处理,但存在通信开销大、维护复杂及对事务支持... 目录一、分片集群解android决的问题二、分片集群图解 分片集群特征如何解决的上述问题?(与哨兵模

浅析如何保证MySQL与Redis数据一致性

《浅析如何保证MySQL与Redis数据一致性》在互联网应用中,MySQL作为持久化存储引擎,Redis作为高性能缓存层,两者的组合能有效提升系统性能,下面我们来看看如何保证两者的数据一致性吧... 目录一、数据不一致性的根源1.1 典型不一致场景1.2 关键矛盾点二、一致性保障策略2.1 基础策略:更新数