代码收藏家技术教程 2024-09-17

Python实现网页内容抓取并导入Excel：步骤详解与技巧分享

本篇文章给大家谈谈python 爬虫抓取网页数据导出excel，以及python抓取网页数据并写入txt，希望对各位有所帮助，不要忘了收藏本站喔。

Source code download: 本文相关源码

文章目录

前言

一、使用python爬取网上数据并写入到excel中

例子一：

例子二：

二、工具类

总结

前言

记录一下使用python将网页上的数据写入到excel中

一、使用python爬取网上数据并写入到excel中

要爬取数据的网站：

例子一：

IP.cn – 银行电话（该网页有5个网页数据）

更多工具中查看页面源代码：

找到想要数据的位置

代码中：

例子二：

要爬取数据的网站：
全国公共服务电话,常用电话号码大全——电话号码查询网

页面源代码：

代码中：

由于我这边

二、工具类

import datetime
import openpyxl
import requests
from lxml import etree

def get_url_html(url):
    """
    定义一个函数, 新建一个空变量html_str， 请求网页获取网页源码，如果请求成功，则返回结果，如果失败则返回空值
    url: 入参参数, 指的是我们普通浏览器中的访问网址
    """
    html_str = ""
    try:
        """获取网页请求之后，返回的网页源码，类似于在浏览器中右击选择网页源码, 使用三方库etree把网页源码字符串转换成HTML格式"""
        r = requests.get(url, timeout=200)
        # 该操作为使用网页的编码方式，防止数据乱码
        r.encoding = r.apparent_encoding
        html_str = etree.HTML(r.text)
    except Exception as e:
        print(e)
    return html_str

# 获取ipcn网站上的数据
def get_ip_cn_data(html_str):
    """
    定义一个函数, 新建一个变量pdata_list初始值为空列表（也可以叫空数组）， 在网页源码中匹配出每一行的内容
    html_str: 入参参数, 指的是网页源码，HTML格式的
    """
    data_list = []
    try:
        """查找网页源码中的xpath，找到每一行的位置"""
        option = html_str.xpath('//div[@class="layui-card ip_card"]//div[@class="layui-card-body"]/table/tbody[1]//tr')
        for op in option:
            """根据每一行，匹配出第一列的字符串，比如'2021年10月20日'，再通过正则匹配出它的数字部分用'/'隔开，则把字符串转换成2021/10/20"""
            # col1 = "/".join(re.findall("\d+", op.xpath("./td[1]/text()")[0]))
            """根据每一行，匹配出其他4列的数字字符串，然后通过函数转换，将字符串转换成浮点类型, 获取失败则为空值"""
            try:
                col1 = str(op.xpath("./td[1]/text()")[0])
            except:
                col1 = ""
            try:
                col2 = str(op.xpath("./th/text()")[0])
            except:
                col2 = ""
            data_list.append([col2.strip(), col1.strip()])
    except Exception as e:
        print(e)
    return data_list

# 获取00cha网页上的数据
def get_00cha_data(html_str):
    # data_list中的数据为未删除空白行的数据
    data_list = []
    # not_null_list中的数据为删除空白行后的数据
    not_null_list = []
    try:
        """查找网页源码中的xpath，找到每一行的位置"""
        # 根据网页中的源码，确认表格所在的div等数据
        option = html_str.xpath('//div[@class="searchnr"]/table//tr')
        for op in option:
            """根据每一行，匹配出第一列的字符串，比如'2021年10月20日'，再通过正则匹配出它的数字部分用'/'隔开，则把字符串转换成2021/10/20"""
            # col1 = "/".join(re.findall("\d+", op.xpath("./td[1]/text()")[0]))
            """根据每一行，匹配出其他4列的数字字符串，然后通过函数转换，将字符串转换成浮点类型, 获取失败则为空值"""
            try:
                col1 = str(op.xpath("./td[1]/a/text()")[0])
            except:
                col1 = ""
            try:
                col2 = str(op.xpath("./td[2]/text()")[0])
            except:
                col2 = ""
            try:
                col3 = str(op.xpath("./td[3]/a/text()")[0])
            except:
                col3 = ""
            try:
                col4 = str(op.xpath("./td[4]/text()")[0])
            except:
                col4 = ""

            data_list.append([col1.strip(), col2.strip()])
            data_list.append([col3.strip(), col4.strip()])

    except Exception as e:
        print(e)

    for index, value in enumerate(data_list):
        if value[1] != '':
            if value[0] != '':
                not_null_list.append(value)

    return not_null_list


def write_excel(file_name, write_list):
    """
    定义一个函数, 将每一行的数据汇总的数组，进行遍历，依次写到excel中
    file_name: 入参参数, 指的是写入excel的名字
    write_list: 入参参数, 指的是写入excel的每一行汇总的数组
    """
    full_excel = openpyxl.Workbook()
    full_sheet = full_excel.active
    for i in range(0, len(write_list)):
        full_sheet.append(write_list[i])
    full_excel.save(file_name)


# 主函数
if __name__ == '__main__':
    start_time = datetime.datetime.now()

    """
    URL的规律是XXXX+当前日期+XXXX+当前页号
    """
    now_date = datetime.datetime.now().strftime("%Y-%m-%d-%H-%M-%S")
    every_page_result_list = [["pub_phone_number", "pub_phone_desc"]]  # 空数组接受每一页的所有数据行汇总数据
    compare_result_list = []

    """循环每一页获取数据"""
    # pages = 78
    pages = 1
    # 获取urls中的数据
    for index in range(1, pages+1):
        urls = {"https://ip.cn/yinhang.html" , "https://ip.cn/gonggong.html" , "https://ip.cn/jiudian.html" , "https://ip.cn/kuaidi.html" , "https://ip.cn/waimai.html"}
        for url in urls:
          every_page_result_list = every_page_result_list + get_ip_cn_data(get_url_html(url))

        url = "https://www.00cha.com/tel.htm"
        compare_result_list = get_00cha_data(get_url_html(url))

        # 去除compare_result_list和every_page_result_list中电话相同的数据
        for index2, value2 in enumerate(compare_result_list):
            for index3, value3 in enumerate(every_page_result_list):
                if value2[0] == value3[0]:
                    compare_result_list.pop(index2)

        every_page_result_list = every_page_result_list + compare_result_list
        # 将数据写到指定路径下的csv文件中
        write_excel(r"D:\PubTel"+now_date+".csv", every_page_result_list)

    end_time = datetime.datetime.now()
    print(f"耗时总共{(end_time - start_time).seconds}秒")