Python練習【爬取銀行網站信息】

功能實現

爬取所有銀行的銀行名稱和官網地址(如果沒有官網就忽略)，並寫入數據庫；
銀行鏈接: http://www.cbrc.gov.cn/chinese/jrjg/index.html

---

編程思路

1.利用url訪問頁面並獲取頁面信息
2.利用正則表達式對頁面信息進行篩選，獲取我們需要的信息
3.保存至Mysql數據庫中

---

1.獲取網頁信息並保存至文件

from urllib.request import urlopen

# 獲取頁面信息
def getPageInfo(url):
    pageInfo = urlopen(url)
    content = pageInfo.read().decode('utf-8')
    return content

# 主函數
def main():
    url = 'http://www.cbrc.gov.cn/chinese/jrjg/index.html'
    pageInfo = getPageInfo(url)
    print(pageInfo)

• 一些網站常常通過判斷 UA（User-Agent用戶代理） 來給不同的操作系統、不同的瀏覽器發送不同的頁面，因此可能造成某些頁面無法在某個瀏覽器中正常顯示，但通過僞裝 UA 可以繞過檢測。

  查看瀏覽器UA

  獲取頁面信息

def main():
    url = 'http://www.cbrc.gov.cn/chinese/jrjg/index.html'
    #修改UA，僞裝成瀏覽器，以獲取相應頁面
    user_agent = "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko Core/1.63.6788.400 QQBrowser/10.3.2864.400"
    reqObj = request.Request(url, headers={'User-Agent': user_agent})
    pageInfo = getPageInfo(reqObj)
    print(pageInfo)

---

保存到文件方便查看

# 保存到文件pageContent
def saveInfo(data):
    with open('doc/pageContent','w+',encoding='utf-8') as f:
        f.write(data)

---

2.利用正則篩選所需信息

圖中是獲取的頁面信息中所需信息中的一例
需要獲取其中的 網址 和 銀行名稱
使用的正則表達式爲'<a href="(http.*?)".*?>\s+(.+?)\s+?</a>'
這裏注意利用\s+匹配額外的\t和\n

# 利用正則匹配獲取信息
def getInfo(data):
    pattern = r'<a href="(http.*?)".*?>\s+(.+?)\s+?</a>'
    info = re.findall(pattern ,data)
    print(info)

匹配到的信息：

---

3.保存數據至數據庫

首先在mysql中創建一個名爲bankUrl的數據庫

連接數據庫

## 連接數據庫
conn = pymysql.connect(
        host='localhost', # 主機名
        user='root', # 用戶名
        password='mysql',  # 密碼
        database='bankUrl', # 連接對應數據庫
        charset='utf8', # utf-8編碼
        autocommit=True # 自動提交數據

    )
    cur = conn.cursor() # 創建遊標
        # 刪除重建表格來刷新每次寫入的數據
    cur.execute('drop table bankurl') 
    creatTableSql = 'create table if not exists bankUrl(銀行名稱 varchar(20),網址 varchar(100))default charset=utf8;'
    cur.execute(creatTableSql)
        # 寫入數據庫
    for item in getInfo(pageInfo):
        insertSql = 'insert into bankUrl(銀行名稱,網址) value("{1}","{0}")'.format(item[0],item[1])
        cur.execute(insertSql)

---

完整代碼：

import re
import time
from urllib import request
from urllib.request import urlopen

import pymysql

def timeCounter(fun):
    def wrapper(*arg ,**kwargs):
        startTime = time.time()
        fun(*arg,**kwargs)
        endTime = time.time()
        print(fun.__name__+'運行時間爲%.2f'%(startTime-endTime))
    return wrapper

# 獲取頁面信息
def getPageInfo(url):
    pageInfo = urlopen(url)
    content = pageInfo.read().decode('utf-8')
    return content

# 保存頁面信息到文件
def saveInfo(data):
    with open('doc/pageContent','w+',encoding='utf-8') as f:
        f.write(data)

# 利用正則匹配獲取信息
def getInfo(data):
    pattern = r'<a href="(http.*?)".*?>\s+(.+?)\s+?</a>'
    info = re.findall(pattern ,data)
    return info

@timeCounter
def main():
    url = 'http://www.cbrc.gov.cn/chinese/jrjg/index.html'
    user_agent = "Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko Core/1.63.6788.400 QQBrowser/10.3.2864.400"
    reqObj = request.Request(url, headers={'User-Agent': user_agent})
    pageInfo = getPageInfo(reqObj)
    # saveInfo(pageInfo)
    conn = pymysql.connect(
        host='localhost',
        user='root',
        password='mysql',
        database='bankUrl',
        charset='utf8',
        autocommit=True,    # 如果插入數據，， 是否自動提交? 和conn.commit()功能一致。

    )
    cur = conn.cursor()
    # cur.execute('create database if not exists bankUrl；')
    cur.execute('drop table bankurl')
    creatTableSql = 'create table if not exists bankUrl(銀行名稱 varchar(20),網址 varchar(100))default charset=utf8;'
    cur.execute(creatTableSql)
    for item in getInfo(pageInfo):
        insertSql = 'insert into bankUrl(銀行名稱,網址) value("{1}","{0}")'.format(item[0],item[1])
        cur.execute(insertSql)

if __name__ == '__main__':
    main()

---

查詢結果