Python 爬虫JD数据

# -*- coding: utf-8 -*-
# ---
# @Software: PyCharm
# @Site: 
# @File: day1.py
# @Author: ---SamXu
# @E-mail: ---xuhongwu1993@gmail.com
# @Time: 5月 22, 2020

# 导入模块
from bs4 import BeautifulSoup                           # 网页解析
import re                                   # 正则表达式,进行文字匹配
import urllib.request,urllib.error,urllib.parse          # 制定url，获取网页数据,中文转码
import xlwt                                 # 进行excel操作
import sqlite3                              # 进行SQLite数据库操作
import ssl                                  # ssl验证证书问题




#ssl._create_default_https_context = ssl._create_unverified_context     # 取消全局变量

context = ssl._create_unverified_context()     # 取消局部变量



def main():

    User_input = input("请输入想要查询的产品:\n")
    baseurl = userinput(User_input)
    datelist = GetDate(baseurl)
    #askURL(baseurl)
    savepath = "JD数据抓去.xls"
    Savedata(datelist,savepath)




findList = re.compile(r'<em>(.*?)\n(.*?)class="promo-words"',re.S)
findLink = re.compile(r'href="//(.*?)"')
findName = re.compile(r"n<em>(.*?)<font")
findMoney = re.compile(r'</em><i>(\d+\.?\d*)</i')


# 用户输入
def userinput(User_input):
    enter = urllib.parse.quote(User_input)              # 中文转换ascll码
    baseurl = "https://search.jd.com/Search?keyword=" + enter + "&wq=" + enter + "&page="
    return baseurl


# 爬取网页数
def GetDate(baseurl):
    datelist = []
    for i in range(1,2,2):                  # 获取多页内容
        url1 = baseurl + str(i)
        html = askURL(url1)   # 保存获取到的网页源代码

    #解析数据
        soup = BeautifulSoup(html,"lxml")    # BeautifulSoup('源码'，'解析格式')
        for item in soup.find_all('div', class_="gl-i-wrap"):    # 查找符合要求的字符串，形成列表"class 需要加'_' "
            data = []
            item = str(item)
            FindList = re.findall(findList,item)
            # print(FindList)
            Link = ''.join(re.findall(findLink,str(FindList)))
            name = ''.join(re.findall(findName,str(FindList)))
            money = ''.join(re.findall(findMoney,str(FindList)))
            data.append(name)
            data.append(money)
            data.append(Link)
            datelist.append(data)
    # print(datelist)
    return datelist


# 指定一个URL的网页内容

def askURL(url):
    head = {
        "user-agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36"
    }                                       # 用户代理，伪装浏览器信息
    request = urllib.request.Request(url,headers=head)
    try:
        response = urllib.request.urlopen(request,context=context)
        html = response.read().decode("utf-8")
        return  html
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)



# 保存数据
def Savedata(datelist,savepath):
    book = xlwt.Workbook(encoding='utf-8')
    sheet = book.add_sheet('JD数据')
    col = ('名字','价格','链接')
    for i in range(0,3):
        sheet.write(0,i,col[i])
    for i in range(0,30):
        data = datelist[i]
        for j in range(0,3):
            sheet.write(i+1,j,data[j])



    book.save('JD数据抓去.xls')
if __name__ == "__main__":                  # 当程序执行时
    main()

标签：Python,datelist,爬虫,urllib,baseurl,re,JD,import,data
来源： https://blog.51cto.com/u_13184683/2703830