码农知识堂 - 1000bd
  •   Python
  •   PHP
  •   JS/TS
  •   JAVA
  •   C/C++
  •   C#
  •   GO
  •   Kotlin
  •   Swift
  • python爬虫练手项目之获取某地企业名录


    因为很多网站都增加了登录验证,所以需要添加一段利用cookies跳过登陆验证码的操作

    1. import pandas as pd
    2. import requests
    3. from lxml import etree
    4. # 通过Chrome浏览器F12来获取cookies,agent,headers
    5. cookies ={'ssxmod_itna2':'eqfx0DgQGQ0QG=DC8DXxxxxx',
    6. 'ssxmod_itna':'euitGKD5iIgGxxxxx'}
    7. agent ='Mozilla/5.0 (Windows NT 10.0; Win64; x64)xxxxxxx'
    8. headers = {
    9. 'User-Agent' : agent,
    10. 'Host':'www.xxx.com',
    11. 'Referer':'https://www.xxx.com/'
    12. }
    13. #建立会话
    14. session = requests.session()
    15. session.headers = headers

    cookies获取方式

    chrmoe浏览器,F12,把name和value填入cookies

    agent获取方式

    任意点击一条网络资源,右侧headers往下翻到底

    测试访问是否成功

    1. #↓此处测试访问是否成功,成功的话返回码200
    2. requests.utils.add_dict_to_cookiejar(session.cookies, cookies)
    3. url = 'https://www.xxx.com/search-prov/36/3604/p1'
    4. response=session.get(url)
    5. print(response)

    访问成功的话进入下一步

    一般翻页后查看网址变化就能得出网址规则

    1. #初始化df数据
    2. df = pd.DataFrame(columns = ['企业名称'])
    3. #观察翻页后网址变化规律,取10页数据
    4. for k in range(10):
    5. url = 'https://www.xxx.com/search-prov/36/3604/p' + str(k+1) + '/'
    6. cookies_dict = requests.utils.add_dict_to_cookiejar(session.cookies, cookies)
    7. page_text = requests.get(url, headers = headers, cookies = cookies_dict).text # GET
    8. #print(page_text)
    9. tree = etree.HTML(page_text) #数据解析
    10. #取到企业名对应xpath
    11. name = [i for i in tree.xpath("//div[@class='company-title font-18 font-f6']/a/text()")]
    12. dic = {'企业名称':name}
    13. df1 = pd.DataFrame(dic)
    14. df = pd.concat([df,df1], axis=0)
    15. #print(df)
    16. print('全部数据爬取成功')
    17. print(df)

    最后将结果导入csv文件;编码格式utf-8-sig防止乱码

    1. #将df数据写入csv文件
    2. df.to_csv('xx企业名录.csv',index=None,encoding = 'utf-8-sig')

  • 相关阅读:
    【计算机网络——应用层】http协议
    九九重阳,永恒之约 | AIGC数字永生时代,揭示永生探索的全新维度!
    CSS 效果 圆形里一个文字居中
    2022年在湖北考的建设厅七大员可以全国通用吗?甘建二
    cookie session token以及jwt
    【毕业设计】基于单片机的智能鱼缸系统设计与实现 - 嵌入式 物联网 stm32 c51
    POE调试案例
    DependsOn注解失效问题排查
    通过过滤器Filter实现请求响应报文的日志输出
    jvm参数配置
  • 原文地址:https://blog.csdn.net/almost_change_it/article/details/133771453
  • 最新文章
  • 攻防演习之三天拿下官网站群
    数据安全治理学习——前期安全规划和安全管理体系建设
    企业安全 | 企业内一次钓鱼演练准备过程
    内网渗透测试 | Kerberos协议及其部分攻击手法
    0day的产生 | 不懂代码的"代码审计"
    安装scrcpy-client模块av模块异常,环境问题解决方案
    leetcode hot100【LeetCode 279. 完全平方数】java实现
    OpenWrt下安装Mosquitto
    AnatoMask论文汇总
    【AI日记】24.11.01 LangChain、openai api和github copilot
  • 热门文章
  • 十款代码表白小特效 一个比一个浪漫 赶紧收藏起来吧!!!
    奉劝各位学弟学妹们,该打造你的技术影响力了!
    五年了,我在 CSDN 的两个一百万。
    Java俄罗斯方块,老程序员花了一个周末,连接中学年代!
    面试官都震惊,你这网络基础可以啊!
    你真的会用百度吗?我不信 — 那些不为人知的搜索引擎语法
    心情不好的时候,用 Python 画棵樱花树送给自己吧
    通宵一晚做出来的一款类似CS的第一人称射击游戏Demo!原来做游戏也不是很难,连憨憨学妹都学会了!
    13 万字 C 语言从入门到精通保姆级教程2021 年版
    10行代码集2000张美女图,Python爬虫120例,再上征途
Copyright © 2022 侵权请联系2656653265@qq.com    京ICP备2022015340号-1
正则表达式工具 cron表达式工具 密码生成工具

京公网安备 11010502049817号