IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> Python知识库 -> 【Python 多线程+Selenium+PyQuery+正则】爬取留学咨询服务信息 -> 正文阅读

[Python知识库]【Python 多线程+Selenium+PyQuery+正则】爬取留学咨询服务信息

很多面临留学申请的小伙伴可能在寻求学长学姐留学咨询服务的时候一定好奇相关服务的价格等等信息,那么今天就来爬取一下相关内容。

程序分为【两个部分】。首先爬取导师详情页url,之后解析详情页内容。

由于此网站索引页的html不包含导师的详情页信息(貌似使用了js),因此首先利用Selenium爬取导师的相对url。

导入模块

import requests 
from selenium import webdriver 
import time
from pyquery import PyQuery as pq 

其中的while循环会一直找到并点击进入下一页,并通过pagesource获取本页html。?

def get_page_source():
	url = 'http://www.dearmentor.com/search'
	driver = webdriver.Chrome()
	driver.maximize_window()
	driver.get(url)
	time.sleep(3)
	info = driver.page_source
	get_relative_link(info)

	while True:
		driver.find_element_by_xpath("//div[@class='paging']/a[@class='next']").click()
		time.sleep(2)
		info2 = driver.page_source
		get_relative_link(info2)
		#print(info)
		#time.sleep(2)

此函数用来获取相对url并于base url拼接成绝对url?

def get_relative_link(info):
	base_url = 'http://www.dearmentor.com'
	doc = pq(info)
	divs = doc('.avatar').items()
	for div in divs:
		relative_link = div('a').attr.href
		abs_link = base_url + relative_link
		save_abs_link(abs_link)
def save_abs_link(abs_link):
	with open('mentor_link.txt','a+') as f:
		f.write(abs_link)

主函数

if __name__ == '__main__':
	get_page_source()

?第一部分完。

已经搞定了所有导师详情页的url后面解析就好办了。

import requests 
from pyquery import PyQuery as pq 
import re 
import csv
import threading

打开刚刚第一部分保存的txt文件,整理后转为列表形式。

with open('mentor_link.txt') as f:
	f = f.read()
	#print(f)

f = f.replace('detail','detail\n')
#print(f)
# 列表:包含所有mentor的abs link
f = f.split('\n')
#print(f)
print(len(f))

接下来定义解析函数。

这里我们获取导师的代号名称、服务项目及价格、education信息以及过往评价。?

def get_mentor_allinfo(url):
	res = requests.get(url=url)
	#print(res.text)
	doc = pq(res.text)
	semaphore.release()
	# mentor basic info 
	men_basic_info = doc('head title').text()
	name = doc('.mentor-info.w1080 .name').text()
	print(name)

	# mentor service and price 
	service_list = doc('.server-list .li').items()
	service_total = []
	for service in service_list:
		ser_name = service('.tt').text()
		ser_des = service('.intro').text()
		price_info = service('.stat-wrap .stat').text()
		price = price_info.split('价 格:')
		if len(price) > 1:
			price = price[1].split('.00')[0]
		else:
			price = ''
		print(ser_name,'\n',ser_des,'\n',price_info,'\n',price)
		service_total.append((ser_name,ser_des,price_info,price))

	# edu bg 
	edu_list = doc('#educational .record-list li').items()
	edu_total = []
	for edu in edu_list:
		date = edu('.date').text()
		program = edu('.tags').text().replace('?',' ')
		print(date,program)
		edu_total.append((date,program))

	# comment 
	comment_list = doc('#commentList li').items()
	comment_total = []
	for comment in comment_list:
		com_date = comment('.date').text()
		com_service = comment('.tag-wrap').text()
		com_content = comment('.content').text()
		print(com_date,com_service,com_content)
		comment_total.append((com_date,com_service,com_content))

	save_mentor_info(name,service_total,edu_total,comment_total)

定义保存函数,这里将文件保存为csv格式,但实际上存储为mongodb会更好。?

def save_mentor_info(name,service_total,edu_total,comment_total):
	with open('mentor_info.csv','a+') as f:
		writer = csv.writer(f)
		writer.writerow((name,service_total,edu_total,comment_total))

定义主函数,boundedsemaohore限制并发数量。?

if __name__ == '__main__':
	semaphore = threading.BoundedSemaphore(5)
	for url in f:
		semaphore.acquire()
		t1 = threading.Thread(target=get_mentor_allinfo,args=(url,))
		t1.start()

?成果展示

?

?

?

?

?

?

?

?

?

?

  Python知识库 最新文章
Python中String模块
【Python】 14-CVS文件操作
python的panda库读写文件
使用Nordic的nrf52840实现蓝牙DFU过程
【Python学习记录】numpy数组用法整理
Python学习笔记
python字符串和列表
python如何从txt文件中解析出有效的数据
Python编程从入门到实践自学/3.1-3.2
python变量
上一篇文章      下一篇文章      查看所有文章
加:2021-11-20 18:21:00  更:2021-11-20 18:22:23 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/16 0:30:55-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码