手把手教你用用Python爬取上道网的赞助公司名称

ゞ浴缸里的玫瑰 2022-11-10 10:47 26阅读 0赞

## 一、前言 ##

上道网是一个手游发行推荐与投融资交易平台。平台聚集手游CP、手游发行、手游渠道、手游外包，投资商以及IP授权商，IP合作、一站式服务。并为之提供合作交易机会。

今天教如何去爬取上道网的赞助公司名称，方便有关人士投资。

![20210316223409162.png][]

## 二、实现目标 ##

获取对应的公司名称，保存文档。

## 三、项目准备 ##

软件：PyCharm

需要的库：requests，fake\_useragent，time

网址：[http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-\{\}.html][http_www.daogame.cn_qudao-p-2.html_s_qudao-p-_.html]

## 四、项目分析   ##

如何网页访问？

http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-1.html
    
    http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-2.html
    
    http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-3.html
    
    http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-4.html

点击下一页时，每增加一页p-\{\}.html自增加1，用\{\}代替变换的变量，再用for循环遍历这网址，实现多个网址请求。

## 五、项目实现 ##

1. 定义一个class类继承object，定义init方法继承self，主函数main继承self。导入需要的库、请求地址。

import requests
    from lxml import etree
    from fake_useragent import UserAgent
    import time
    
    class Shangdao(object):
        def __init__(self):
            self.url = "http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-{}.html"  #网站
        def main(self):
            pass
    
    if __name__ == '__main__':
        Siper = Shangdao()
        Siper.main()

2. 随机产生UserAgent，防止反爬。

for i in range(1, 50):
                self.headers = {
                    'User-Agent': ua.random,
                }

3. 发送请求  获取响应, 页面回调，方便下次请求。

def get_page(self, url):
            res = requests.get(url=url, headers=self.headers)
            html = res.content.decode("utf-8")
            return html

4. 获取公司名称，for遍历。

def page_page(self, html):
            parse_html = etree.HTML(html)
            one = parse_html.xpath('//h2/a/text()')
            for i in one:
                print(i)

5. 写入文档。

f = open('公司.doc', 'a', encoding='utf-8')  # 以'w'方式打开文件
                f.write(str(i))

6. 调用方法，实现功能。

def main(self):
            stat = int(input("输 入 开 始 （2开始）:"))
            end = int(input("输 入 结 束:"))
            for page in range(stat, end + 1):
                url = self.url.format(page)
                print(url)
                html = self.get_page(url)
                self.page_page(html)
                print("==================第%s页爬取成功！！！！=====================" % page)

项目优化：

1. 设置时间延时。

time.sleep(1.4)

## 六、效果展示 ##

点击绿色小三角运行输入起始页，终止页(  从0页开始 )。

![20210316223409330.png][]

渠道公司名，结果显示控制台。

![20210316223409549.png][]

保存文档。

![20210316223409705.png][]

## 七、总结 ##

1. 不建议抓取太多数据，容易对服务器造成负载，浅尝辄止即可。

2. 希望通过这个项目，能够帮助了解xpath解析页面的基本流程，字符串是如何拼接，format函数如何运用。

3. 本文基于Python网络爬虫，利用爬虫库，实现爬取上道网，但是到自己动手实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。

想学习更多Python网络爬虫与数据挖掘知识，可前往专业网站：[http://pdcfighting.com/][http_pdcfighting.com]

[20210316223409162.png]: /images/20221023/0f3ef52e75aa483b9bca9b84c764ad3a.png
[http_www.daogame.cn_qudao-p-2.html_s_qudao-p-_.html]: http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-%7B%7D.html
[20210316223409330.png]: /images/20221023/672e1f60039a4d12a5173864048ee27a.png
[20210316223409549.png]: /images/20221023/767ef20ae9794f389934a0d31e64b495.png
[20210316223409705.png]: /images/20221023/c8c70355739e411c8d665ebacf7c4f74.png
[http_pdcfighting.com]: http://pdcfighting.com/