Python环境搭建实验报告,实验报告十 网络爬虫

1.批量爬取中国工程院院士信息，把每位院士的文字介绍保存到该院士名字为名的记事本文件中，照片保存到该院士名字为名的jpg文件中。

注意事项要安装各种数据库

比如，下面的代码用pycharm运行的话先安装数据库。

1.先打开朋友charm->

 2.按terminal按键以后就会发现一个这样的窗口

在这里要输入开始安装数据库。

pip install pandas

pip install requests

安装完两个数据库以后可以用下面的d

 

import timeimport requestsimport refrom multiprocessing import Poolimport osimport pandas as pddef to_exel(result_list, columns, file):writer = pd.ExcelWriter(file)df = pd.DataFrame(result_list, columns=columns)# logging.info("df = pd.DataFrame(result_list, columns=columns)")df.to_excel(writer, startrow=0, startcol=0, sheet_name='院士信息', index=False)writer.save()writer.close()def run(a_url, headers):print("子进程ID号:%d\n" % (os.getpid()))# os.getpid()进程ID# 获取院士详细资料的页面new_url = "https://ysg.ckcest.cn" + a_urlr = requests.get(new_url, headers)# print(r.text)try:# 获取院士姓名name = re.findall('姓名:(.*?)', r.text)[0]# 性别sex = re.findall('性别:(.*?)', r.text)[0]# 族别nation = re.findall('民族:(.*?)', r.text)[0]# 本科院校college = re.findall('(.*?) .*?\s*?学士学位\s*?', r.text)[0]# 入选院士年份year = re.findall('当选年份:\s*?\s*?中国工程院院士 \s*(.*?)\s*.*?\s*?', r.text, re.S)[0]# 为每个院士创建文件夹os.makedirs("./院士/%s" % name)picture_url = re.findall('', r.text)picture = requests.get("http:" + picture_url[0], headers)with open("./院士/%s/%s.jpg" % (name, name), 'wb') as f:f.write(picture.content)introduce_num = re.findall('html/details/(.*?)/index.html', a_url)[0]# print(introduce_num)introduce_url = "https://ysg.ckcest.cn/html/details/subnav/content/" + introduce_num + "/detail_grxx_grjj"introduce_page = requests.get(introduce_url, headers)introduce = re.findall('

(.*?)

', introduce_page.text)[0]with open("./院士/%s/%s.txt" % (name, name), 'w', encoding='utf-8') as f:f.write(introduce)print(name, sex, nation, college, year)print("%s院士保存成功！"%name)return [name, sex, nation, college, year]except (FileExistsError, IndexError) as e:print(str(e))if __name__ == "__main__":# 计算耗时end1 = time.time()print("父进程启动：%d" % os.getpid())headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'}results = []for i in range(0, 1):print("第{}轮".format(i))url = "https://ysg.ckcest.cn/ysgList/api/index?pageSize=113&pageNum="+str(i)+"&_=1655211977545"req = requests.get(url, headers)# 原本re正在表达式中'\\'匹配'\'，但是python中反斜杠本身就用于转义，故使用'\\\\'匹配'\'url_lists = re.findall('', req.text, re.S)# 去重url_lists = list(set(url_lists))processes = []pool = Pool(10)# 设置最大进程数设置为10for a_url in url_lists:# 创建子进程try:p = pool.apply_async(func=run, args=(a_url, headers))# func进程执行的任务, args传参数（元组）processes.append(p)except:print("进程启动失败！")pool.close()pool.join()for p in processes:if p.get() is not None:results.append(p.get())# 等待一段时间，防止被网站认为认为是攻击而强制关闭连接time.sleep(1)# 写入Exelto_exel(results, ['姓名', '性别', '族别', '本科学校', '入选院士年份'], "院士信息汇总.xlsx")end2 = time.time()print("耗时:%.2f秒" % (end2 - end1))

成功运行后：

2.根据院士名单，爬取该院士性别，族别信息；根据院士简介提取该院士就读本科学校，入选院士年份；将院士姓名，性别，族别信息，本科学校，入选院士年份信息写入excel文件。 

代码就上面的那个。 

 

 

 做这个作业时遇到了不少的问题，比如exel表格输出每次这样，这让我崩溃了，因此我做了不少的功课。最终还是失败了，但灵机一动用了一下别人代码就成功了哈。

 

 

 如果你们也遇到了上面的问题找办法解决，能解决的跟我说一声

 

 谢谢大家的浏览。