python爬虫Xpath,pandas示例

from lxml import etree
import pandas as pd
import requests
import pickle
import sys
import os


def get_page_content(url):
    """链接网页,获取页面内容"""
    head = 'http://ttc.seu.edu.cn'
    header = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0',
              'referer': 'http://ttc.seu.edu.cn'}

    while True:
        try:
            print(f'\033[1;32m正在下载: {url}\033[0m')
            content = requests.get(url, headers=header, timeout=10)
        except KeyboardInterrupt:
            print('停止获取网页成果,即将退出...')
            sys.exit()
        except:
            print('\033[1;31m网页内容获取失败,重新链接...\033[0m')
            continue
        break
    html = etree.HTML(content.text)
    title = html.xpath('//div[@class="article-title-all"]/text()')[0]  # 成果标题
    # data1 = html.xpath('//dl/*/text()')   # 描述属性的标题与内容,内容为空的部分会缺失,没有占位
    technical_filed = html.xpath('//dl/dd/span/text()')  # 技术领域
    technical_filed = ', '.join(technical_filed)
    technical_describe = html.xpath('//div[@class="gray-box-no-border resource-big-detail"]/p/text()')  # 成果介绍
    technical_describe = '<br>'.join(technical_describe)
    content1 = html.xpath('//div[@class="col-sm-6 col-xs-12"]/dl/dd')  # 证书,单位,时间,阶段,领域,产权,归属
    content2 = html.xpath('//div[@class="col-md-6 col-xs-12"]/div/dl/dd')  # 合作,单位介绍
    pics = html.xpath('//div[@class="sp-wrap"]/a')  # 获取图片节点
    pics_link = [head + v.values()[0] for v in [a.attrib for a in pics]]  # 获取标签属性里面图片链接,组成列表
    pics_links = [', '.join(pics_link)]
    contact = html.xpath('//div[@class="gray-box-no-border"]/p/text()')  # 联系方式
    content1 = [i.text for i in content1]
    content2 = [j.text for j in content2]
    content1[4] = technical_filed

    content = [title] + content1 + [technical_describe] + content2 + contact + pics_links + [url]
    save_to_excel(content, title)  # 保存获取的内容


def save_to_excel(content,title):
    """把内容保存到excel表格"""
    print('保存数据...')
    file_name = 'ddcg.xlsx'
    keylist = ['成果名称','知识产权证书号','单位名称','发布时间','项目阶段','技术领域','知识产权情况','成果归属','成果介绍',
               '项目负责人', '合作方式','转让价格','法人代表','单位规模','单位性质','电话','邮箱','地址','图片链接','原始网页链接']
    tem_zip = list(zip(keylist,content))

    c = {}  # 保存结果
    for key, value in tem_zip:
        c[key] = [value]
    pd_c = pd.DataFrame(c)  # 转化为表格数据
    if os.path.exists(file_name):
        data = pd.read_excel(file_name)
        data = pd.concat([data, pd_c])
        data.to_excel(file_name, index=False)
        print('%s: 追加完毕!' % title)
    else:
        pd_c.to_excel(file_name, index=False)
        print('%s: 保存完毕!' %title)


def get_page_link(list_link):
    """获取页面成果链接以及下一页列表链接"""
    head = 'http://ttc.seu.edu.cn'
    header = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64; rv:52.0) Gecko/20100101 Firefox/52.0',
              'referer': 'http://ttc.seu.edu.cn'}
    num = list_link.split('=')[-1]
    print(f'正在获取第 {num} 页成果列表...')
    while True:
        try:
            page_data  = requests.get(list_link,headers=header,timeout=10)
            break
        except KeyboardInterrupt:
            print('主动退出下载:\n已经下载到:%s' % list_link)
            with open('list_link.txt','w') as lobj:
                lobj.write(list_link)
        except:
            print('获取网页错误,重新下载...')
            continue

    data_xpath = etree.HTML(page_data.text)
    cc_list_link = data_xpath.xpath('//a[@class="article-title"]')  # 获取成果链接标签元素
    alist = [head + link[link.keys()[0]] for link in [d.attrib for d in cc_list_link]]  # 得到本页面成果列表链接
    # print(alist)
    next_list_e = data_xpath.xpath('//nav/ul/li[last()]/a')  # 获取下一页链接标签元素
    next_list_page_e = [v['href'] for v in [a.attrib for a in next_list_e]][0]  # 获取标签的下一页链接内容
    # print(next_list_page_e)
    get_next_list = head + next_list_page_e if next_list_page_e.startswith('/abutment') else ''

    return get_next_list, alist


if __name__ == '__main__':
    url = 'http://ttc.seu.edu.cn/abutment/technologyachievementsearch?pageIndex=2'
    while True:
        next_list_link, cclist = get_page_link(url)
        while cclist:
            link = cclist.pop()
            while True:
                try:
                    get_page_content(link)
                    with open('download_link.txt','a') as dobj:
                        dobj.write(link + '\n')  # 保存已下载链接
                    break
                except KeyboardInterrupt:
                    print('主动退出,保存进度...')
                    with open('cc_list.txt','w') as cobj:
                        cclist.append(link)
                        # pickle.dump(cclist,cobj)
                        cobj.write(cclist)
                    with open('next_list.txt','w') as lobj:
                        lobj.write(next_list_link)
                    exit()
                except Exception as e :
                    print('其他错误。。。', e)
                    # continue
        if next_list_link == '':
            print('下载完毕,退出下载...')
            for i in ['cc_list.txt','next_list.txt']:
                if os.path.exists(i):
                    os.remove(i)
            sys.exit()
        url = next_list_link
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,723评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,003评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,512评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,825评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,874评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,841评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,812评论 3 416
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,582评论 0 271
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,033评论 1 308
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,309评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,450评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,158评论 5 341
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,789评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,409评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,609评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,440评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,357评论 2 352

推荐阅读更多精彩内容