Python爬虫自动化，帮小姐姐解放双手

叶庭云凹凸数据

来源：凹凸数据

项目来源：
漂亮学姐因为工作需要，得根据已有的学校名单，采集它们的英文名称，描述，简称有的话也带上。共有 2740 条学校名称数据，一条条去搜索得到结果，然后复制粘贴到表格里，一天下来估计人都傻了。
花几分钟写了个爬虫小程序，帮助小姐姐解放了双手，成功表现了一波，学姐一阵夸奖，还请我喝了一杯美式咖啡，美滋滋。

分析问题

共有 2740 条学校名称数据
在百度百科中搜索清华大学看看

查看网页源代码，可以惊喜的发现，简要描述的数据羡显目地躺在开头！

经过分析可以发现，网页结构简单，可以通过构造URL请求，获取网页源码，然后从中提取我们想要的数据即可

爬虫代码

当当当，下面该我们的爬虫上场了

导入需要用到的库

import requestsimport pandas as pdfrom random import choicefrom lxml import etreeimport openpyxlimport logging

基本配置参数

# 日志输出的基本配置logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s: %(message)s')wb = openpyxl.Workbook()    # 创建工作簿对象sheet = wb.active    # 获取活动的工作表sheet.append(['学校名称', '中文简称', '学校名称（英文）', '描述', '百度百科链接'])   # 添加第一行列名# 产生随机请求头用于切换user_agent = [    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",......    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"    ]

读取数据、爬取网页

# 读取已有的学校名称数据df = pd.read_excel('学校名称.xlsx')['学校名称']items = df.values# 遍历  获取每所学校名称for item in items:    try:        # 随机生成请求头        headers = {            'User-Agent':choice(user_agent)        }        # 构造url        url = f'https://baike.baidu.com/item/{item}'        # 发送请求   获取响应        rep = requests.get(url, headers=headers)        # Xpath解析提取数据        html = etree.HTML(rep.text)        # 描述        description = ''.join(html.xpath('/html/head/meta[4]/@content'))        # 外文名        en_name = '，'.join(html.xpath('//dl[@class="basicInfo-block basicInfo-left"]/dd[2]/text()')).strip()        # 中文简称  有的话  是在dd[3]标签下        simple_name = ''.join(html.xpath('//dl[@class="basicInfo-block basicInfo-left"]/dd[3]/text()')).strip()        sheet.append([item, simple_name, en_name, url])        logging.info([item, simple_name, en_name, description, url])    except Exception as e:        logging.info(e.args)        pass# 保存数据wb.save('成果.xlsx')

运行效果如下：

有 2740 页的数据需要请求爬取，为了提高爬取效率，可以使用多线程。
扫码关注「快学Python」（非本号）后台回复“0106” ，获取完整代码：

运行效果如下：

程序运行一会儿，数据就全部爬取下来啦。
因为开多线程，爬取的顺序会打乱，按照学姐给的学校名称的表格里的顺序排列好，就可以交付了。

# 程序中记录一下它原本的序号   一起写入Excel sort_num = items.index(item)

import pandas as pd# 读取数据df = pd.read_excel('成果.xlsx')# 按原始序号排序df1 = df.sort_values(by='原始序号')# 查看排序后的数据df1.head(8)

运行效果如下：

作者：叶庭云
CSDN：https://yetingyun.blog.csdn.net/ 本文仅用于交流学习，未经作者允许，禁止转载，更勿做其他用途，违者必究。

Python爬虫自动化，帮小姐姐解放双手