一,抓取情況描述
1.抓取的頁面需要登陸,以公司網頁爲例,登陸網址https://app-ticketsys.hezongyun.com/index.php ,(該網頁登陸方式微信掃碼登陸)
2.需要抓取的內容如下圖所示:
需要提取
工單對應編號,如TK-2960
工單發起時間,如2018-08-17 11:12:13
工單標題內容,如設備故障
工單正文內容,如最紅框所示
二,網頁分析
1.按按Ctrl + Shift + I或者鼠標右鍵點擊檢查進入開發人員工具。
可以看到頁面顯示如下:
主要關注點如上圖框住和劃線處
首先點擊網絡,記住以下信息將用於代碼修改處。
- Resquest URL:https: //app-ticketsys.hezongyun.com/index.php/ticket/ticket_list/init這個是需要爬取頁面的信息
- 請求Menthod:GET
- 餅乾:用於需要登陸頁面
- User-Agent:Mozilla / 5.0(Windows NT 10.0; Win64; x64)AppleWebKit / 537.36(KHTML,類似Gecko)Chrome / 67.0.3396.62 Safari / 537.36
記住以上信息後粗略瞭解網頁樹形結構用BeatifulSoup中SELEC怎麼取出內容
示例:的H1M1一段代碼如下:
html =“”“
<html> <head> <title>睡鼠的故事</ title> </ head>
<body>
<p class =”title“name =”dromouse“> <b>睡鼠的故事</ b > </ p>
<p class =“story”>從前有三個小姐妹;他們的名字是
<a href =“http://example.com/elsie”class =“sister”id =“ link1“> <! - Elsie - > </a>,
<a href="http://example.com/lacie" class="sister" id="link2"> Lacie </a>和
<a href =“http://example.com/tillie”class =“sister”id =“link3”> Tillie </a>;
他們住在井底。</ p>
<p class =“story”> ... </ p>
“”“
如果我們喝湯得到了上面那段HTML的結構提取內容方法如下
1.通過標籤名查找soup.select( '標題'),如需要取出含有一個標籤的內容則soup.select( 'a')的
2.通過類名查找soup.select( 'CLASS_NAME ')如取出標題的內容則soup.select('。標題')
3.通過ID名字查找soup.select( '#ID_NAME')如取出ID = LINK2的內容則soup.select( '#LINK2')
上述元素名字可以利用左上角箭頭取出,如下圖
三,程序編寫
# -*- coding:utf-8 -*-
import requests
import sys
import io
from bs4 import BeautifulSoup
import sys
import xlwt
import urllib,urllib2
import re
def get_text():
#登錄後才能訪問的網頁,這個就是我們在network裏查看到的Request URL
url = 'https://app-ticketsys.hezongyun.com/index.php/ticket/ticket_iframe/'
#瀏覽器登錄後得到的cookie,這個就是我們在network裏查看到的Coockie
cookie_str = r'ci_ticketsys_session=‘***********************************’
#把cookie字符串處理成字典
cookies = {}
for line in cookie_str.split(';'):
key, value = line.split('=', 1)
cookies[key] = value
#設置請求頭
headers = {'User-Agent':'Mozilla/5.0(Windows NT 10.0; Win64;x64)AppleWebKit/537.36 (KHTML, like Gecko)Chrome/67.0.3396.62 Safari/537.36'}
#在發送get請求時帶上請求頭和cookies
resp = requests.get(url, cookies = cookies,headers = headers)
soup = BeautifulSoup(resp.text,"html.parser")
print soup
上述代碼就能得到登陸網頁的HTML源碼,這個源碼呈一個樹形結構,接下來針對需求我們提取需要的內容進行提取
我們需要工單號,對應時間,對應標題
按箭頭點擊到對應工單大塊,可以查詢到,所有的工單號,工單發起時間,工單標題均在<ul id =“ticket-list”>這個id下面
那麼點開一個工單結構,例如工單號ID = “4427” 下面我們需要知道工單號,工單發起時間,工單內容可以看到
1.工單內容在H3標籤下面
2.工單編號在類=“NUM”下面
3.工單發起時間在類= “時間” 下面
for soups in soup.select('#ticket-list'):
if len(soups.select('h3'))>0:
id_num = soups.select('.num')
star_time = soups.select('.time')
h3 = soups.select('h3')
print id_num,start_time,h3