主頁 > 後端開發 > python資料爬蟲專案

python資料爬蟲專案

2020-09-28 17:05:16 後端開發

python資料爬蟲專案

作者:YRH
時間:2020/9/26

新手上路,如果有寫的不好的請多多指教,多多包涵

前些天在一個學習群中有位老哥發布了一個專案,當時抱著滿滿的信心想去嘗試一下,可惜手慢了,搶不到,最后只拿到了專案的任務之間去練習,感覺該專案還不錯,所以就發布到博客上來,讓大家一起學習學習

一、任務清單

專案名稱國家自然科學基金大資料知識管理服務門戶爬取專案
爬取內容爬取內容:資助專案(561914項)
爬取鏈接:HTTP://KD.NSFC.GOV.CN/BASEQUERY/SUPPORTQUERY
在這里插入圖片描述
第一階段:
1、 需要對申請代碼、資助類別和批準年度進行篩選,
2、 爬取資訊:
專案名稱、批準號、專案類別、專案負責人、批準年度、資助金飛、依托單位、起止年月、申請代碼、關鍵詞、研究成果、結題專案
在這里插入圖片描述
在這里插入圖片描述
第二階段:爬取完整的專案資訊
1、 根據批準號從鏈接爬取
2、 需要爬取的資訊
在這里插入圖片描述

二、網頁結構分析

1、路線選擇

剛開始看到網頁是第一時間想到的是使用selenium自動化爬取,但是通過網路請求方式察覺到該網站的資料獲取方式是post請求的
在這里插入圖片描述
所以只有利用post請求方式將傳表單到http://kd.nsfc.gov.cn/baseQuery/data/supportQueryResultsDataForNew上,就能獲取到資料,
所以最后選擇了requests路線進行爬取

2、表單上傳結構分析

從網頁界面可以看出,想要提取資訊必須上傳三個引數,分別是申請代碼、資助型別和批準年度,這三個所對應的是鍵是code、projectType和ratifyYear,所以這三個是回去資料各項型別必傳的引數,但是當我在訪問是一直錯誤,訪問不了,然后就嘗試多加幾個引數進去,最后發現queryType: "input"這個引數必須上傳,否則會報錯
在傳入引數前必須先看一下引數型別是什么,在Requests Headers中有一個引數
Content-Type: application/json
,可以看得出傳入的引數是json型別的,所有引數必須先轉為json型別

三、資料爬取代碼

因為該網站資料比較多,所以我將資料保存至MySQL資料庫在,如果想執行我代碼需要先將訪問資料庫的代碼給修改一下
資料比較多,所以我只爬取了2019年份的資料,沒爬全

# -*- coding: utf-8 -*-
# Author : YRH
# Data :
# Project :
# Tool : PyCharm
import json
import requests
import xlwt
import time
import pymysql
import random

#這下面一段是創建資料庫的代碼,如果需要可以執行下面代碼創建資料表
"""CREATE TABLE IF NOT EXISTS `prodectData`(
	`序號` INT UNSIGNED AUTO_INCREMENT,
   `專案名稱` varchar(50) not null,
   `批單號` VARCHAR(20) NOT NULL,
   `專案類別` VARCHAR(20) NOT NULL,
   `批準負責人` VARCHAR(20) NOT NULL,
   `批準年度` VARCHAR(20) NOT NULL,
   `資助經費` VARCHAR(20) NOT NULL,
   `依托單位` VARCHAR(20) NOT NULL,
   `起始年月` VARCHAR(20) NOT NULL,
   `申請代碼` VARCHAR(20) NOT NULL,
   PRIMARY KEY ( `序號` )
)ENGINE=InnoDB DEFAULT CHARSET=utf8;"""

user_agent = ["Mozilla/5.0 (Windows NT 10.0; WOW64)", 'Mozilla/5.0 (Windows NT 6.3; WOW64)',
              'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
              'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
              'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/28.0.1500.95 Safari/537.36',
              'Mozilla/5.0 (Windows NT 6.1; WOW64; Trident/7.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET '
              'CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; rv:11.0) like Gecko)',
              'Mozilla/5.0 (Windows; U; Windows NT 5.2) Gecko/2008070208 Firefox/3.0.1',
              'Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070309 Firefox/2.0.0.3',
              'Mozilla/5.0 (Windows; U; Windows NT 5.1) Gecko/20070803 Firefox/1.5.0.12',
              'Opera/9.27 (Windows NT 5.2; U; zh-cn)',
              'Mozilla/5.0 (Macintosh; PPC Mac OS X; U; en) Opera 8.0',
              'Opera/8.0 (Macintosh; PPC Mac OS X; U; en)',
              'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.12) Gecko/20080219 Firefox/2.0.0.12 '
              'Navigator/9.0.0.6',
              'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Win64; x64; Trident/4.0)',
              'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)',
              'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; '
              '.NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E)',
              'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Maxthon/4.0.6.2000 '
              'Chrome/26.0.1410.43 Safari/537.1 ',
              'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; SLCC2; .NET CLR 2.0.50727; '
              '.NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; InfoPath.2; .NET4.0C; .NET4.0E; '
              'QQBrowser/7.3.9825.400)',
              'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:21.0) Gecko/20100101 Firefox/21.0 ',
              'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.92 '
              'Safari/537.1 LBBROWSER',
              'Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.1; WOW64; Trident/6.0; BIDUBrowser 2.x)',
              'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 '
              'TaoBrowser/3.0 Safari/536.11']

db = pymysql.Connect(host="localhost",
                     port=3306,
                     user="root",	#資料庫名稱
                     password=XXXXX,  #資料庫密碼
                     db="zzProject", 
                     charset="utf8"
                     )
cur = db.cursor()


def spider(info):
#通過回圈生成專案型別編號和申請代碼
    i = ["A", "B", "C", "D", "E", "F", "G", "H"]
    projectType = ["218", "220", "222", "339", "429", "432", "433", "649", "579", "630",
                   "631", "632", "635", "51", "52", "2699", "70", "7161"]
    for y in [2019]:  # 可通過這里修改爬取年份,如果想要多個年份爬取,可通過下面那一行進行回圈
    # for y in range(2000, 2021):
        print("年度" + str(y))
        for p in projectType:
            print("專案類別編號:" + p)
            for j in i:
                if j == "A":
                    end = 10
                elif j == "B":
                    end = 9
                elif j == "C":
                    end = 22
                elif j == "D":
                    end = 8
                elif j == "E":
                    end = 14
                elif j == "F":
                    end = 8
                elif j == "G":
                    end = 5
                elif j == "H":
                    end = 31
                else:
                    end = 2
                for b in range(1, end):
                    if len(str(b)) == 1:
                        code = j + str(0) + str(b)
                    else:
                        code = j + str(b)
                    # print(code)
                    pac(info, code, y, p)
                    for t in range(1, 10):
                        if len(str(t)) == 1:
                            code2 = code + str(0) + str(t)
                        else:
                            code2 = code + str(b)
                        # print(code)
                        pac(info, code2, y, p)
                        for l in range(1, 10):
                            if len(str(l)) == 1:
                                code3 = code2 + str(0) + str(l)
                            else:
                                code3 = code + str(l)
                            pac(info, code3, y, p)


def pac(info, code, year, projectType):
    url = "http://kd.nsfc.gov.cn/baseQuery/data/supportQueryResultsDataForNew"
    # print(code)
    data = {
        "code": code, "ratifyYear": str(year), "projectType": projectType, "queryType": "input",
        "complete": "false", "pageNum": 0, "pageSize": 5
    }

    headers = {
        "User-Agent": random.choice(user_agent),
        "Content-Type": "application/json"

    }
    rep = requests.post(url, data=json.dumps(data), headers=headers)
    rep.encoding = rep.apparent_encoding
    text = rep.text
    text = text.replace("\ue06d", "").replace("\u2022", "")
    data = eval(text)
    if len(data["data"]["resultsData"]) == 0:
        # print(1)
        pass
    else:
        # print(data["data"]["resultsData"])
        data = data["data"]["resultsData"]
        for d in data:
            try:
                name = d[1]  # 專案名稱
                # print(name)
            except:
                name = " "  # 專案名稱
                # print(name)

            try:
                num = d[2]  # 批單號
                # print(num)
            except:
                num = " "  # 批單號
                # print(num)

            try:
                itemCl = d[3]  # 專案類別
                # print(itemCl)
            except:
                itemCl = " "  # 專案類別
                # print(itemCl)

            try:
                itemLe = d[5]  # 批準負責人
                # print(itemLe)
            except:
                itemLe = " "  # 批準負責人
                # print(itemLe)

            try:
                year = d[7]  # 批準年度
                # print(year)
            except:
                year = " "  # 批準年度
                # print(year)

            try:
                money = str(d[6]) + "(萬元)"  # 資助經費
                # print(money)
            except:
                money = " "  # 資助經費
                # print(money)

            try:
                supOrg = d[4]  # 依托單位
                # print(supOrg)
            except:
                supOrg = " "  # 依托單位
                # print(supOrg)

            try:
                startData = d[-2]  # 起始年月
                # print(startData)
            except:
                startData = " "  # 起始年月
                # print(startData)

            try:
                code = d[-3]  # 申請代碼
                # print(code)
            except:
                code = " "  # 申請代碼
                # print(code)

            # print("=" * 30)

            # info.append([name, num, itemCl, itemLe, year, money, supOrg, startData, code])   #當資料保存至excel是使用這個

            # =====================================
            # 保存至mysql
            try:
                op = "insert into prodectdata (專案名稱,批單號,專案類別,批準負責人,批準年度,資助經費,依托單位,起始年月," \
                     "申請代碼) " \
                     "values ('%s','%s','%s','%s','%s','%s','%s','%s','%s')" % \
                     (str(name), str(num), str(itemCl), str(itemLe), str(year), str(money), str(supOrg),
                      str(startData), str(code))
                cur.execute(op)
                db.commit()
            except:
                pass
            # ======================================

            time.sleep(0.5)


def save(info):  # 保存資料至excel
    print("save.....")
    workbook = xlwt.Workbook(encoding="utf-8")  # 創建workbook物件
    movieBook = workbook.add_sheet("sheet1")  # 創建作業表
    # 輸入頭標簽
    head = ["專案名稱", "批單號", "專案類別", "批準負責人", "批準年度", "資助經費", "依托單位", "起始年月", "申請代碼"]
    for i in range(0, len(head)):
        movieBook.write(0, i, head[i])  # 引數1是行,引數2是列,引數3是值

    # 資料逐行輸入
    y = 1
    for a in info:
        print("成功保存:" + str(y))
        for x in range(0, len(a)):
            movieBook.write(y, x, a[x])
        y += 1

    workbook.save("資助專案資訊.xls")  # 保存資料表


if __name__ == '__main__':
    info = []
    spider(info)
    # save(info)  #如果是保存至excel的話,請帶有改方法
    db.close()

四、資料結果展示

在這里插入圖片描述

新手上路,多多指教

轉載請註明出處,本文鏈接:https://www.uj5u.com/houduan/134619.html

標籤:python

上一篇:SBD演算法詳解與相關python代碼

下一篇:Scrapy、pandas、cn2an與pymysql解決爬取小說的亂序問題

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C#(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態,例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1:當函式不可能拋出例外或不能接受拋出例外時,使用noexcept 理由 如果不打算拋出例外的話,程式就會認為無法處理這種錯誤,并且應當盡早終止,如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接:https://codeforces.com/problemset/problem/1400/E 來源:Codeforces 思路:給你一個陣列,現在你可以進行兩種操作,操作1:將一段沒有 0 的區間進行減一的操作,操作2:將 i 位置上的元素歸零。最終問:將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯,就附帶了一個自己的翻譯版本 思考 這一題,它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數,這里就不慢慢介紹了。但是,重讀題,我們突然發現反向質數都是 $7$ 位,而將它反過來后的數字卻是 $6$ 位數,這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記:C++中的 const 變數詳解,教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中,會分配記憶體(也就是說可以通過地址間接修改變數的值)。測驗代碼如下: 運行結果: 2、全域const變數存放在只讀資料段(不能通過地址修改,會發生寫入錯誤), 默認為外部聯編,可以給其他源檔案使用(需要用extern關鍵字修飾) 運行結果: ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中,添加資源 2. 點擊新添加的資源,復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案,編輯,使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索,點擊查找全部,然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h,在其中預先定義好宏 ID(不清楚其實ID值應該設定多少,可以先新建一個相同的資源項,再在這個資源的ID值的基礎上遞增即可) 2. 在資源視圖中選中專案資源,按F7編輯資源檔案,按 ID 型別 相對路徑的形式添加 資源。(別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記:關于C++的參考型別,專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考,也叫別名。 參考就是給一個變數名取一個變數名,方便我們間接地使用這個變數。我們可以給一個變數創建N個參考,這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間,占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名,但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++:初學者完整指南

    眾所周知,C ++的學習曲線陡峭,但是花時間學習這種語言將為您的職業帶來奇跡,并使您與其他開發人員區分開。您會更輕松地學習新語言,形成真正的解決問題的技能,并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣(即清晰一致的編碼風格,在撰寫代碼時注釋代碼,并限制類內部的可見性),并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標(smart pointers)是一類資料結構,是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標(pointer)是一個包含記憶體地址的變數的通用概念。這個地址參考,或 ” 指向”(points at)一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身,參考傳遞(如果傳遞的值需要實體化到堆里)如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如: 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號:Hunter后端 原文鏈接:Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類,Extract() 和 Trunc() Extract() 函式作用是提取日期,比如我們可以提取一個日期欄位的年份,月份,日等資料 Trunc() 的作用則是截取,比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM? JVM,全稱Java Virtual Machine(Java虛擬機),是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊,使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息!

    更新完微信服務號的模板訊息之后,我又趕緊把微信小程式的訂閱訊息給實作了!之前我一直以為微信小程式也是要企業才能申請,沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類: 位元組緩沖流:BufferedInputStream,BufferedOutputStream 字符緩沖流:BufferedReader,BufferedWriter 緩沖流的基本原理,是在創建流物件時,會創建一個內置的默認大小的緩沖區陣列,通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說,人太懶了,現在基本都不喜歡寫筆記了,但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的,寫的注釋挺全的,應該直接看得懂,就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景:視頻分段傳輸、視頻多段傳輸(理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發,從基本到高級概念,包括簡介,UWP,第一個應用程式,商店,XAML控制元件,資料系結,XAML性能,自適應設計,自適應UI,自適應代碼,檔案管理,SQLite資料庫,應用程式到應用程式通信,應用程式本地化,應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more