最近遇到个任务，需要将高考志愿信息保存成Excel表格，BOSS丢给我一个网址表格之后就让我自己干了。虽然我以前也学习过Python编写爬虫的知识，不过时间长了忘了，于是摸索了一天之后终于完成了任务。不得不说，Python干这个还是挺容易的，最后写完一看代码，只用了50行就完成了任务。
准备工作
首先明确一下任务。首先我们要从网址表格中读取到一大串网址，然后访问每个网址，获取到页面上的学校信息，然后将它们在写到另一个Excel中。显然，我们需要一个爬虫库和一个Excel库来帮助我们完成任务。
第一步自然是安装它们，requests-html是一个非常好用的HTML解析库，拿来做简单的爬虫非常优雅;而openpyxl是一个Excel表格库，可以轻松创建和处理Excel数据。
| pip install requests-html openpyxl |
然后就是网址表格，大概长这样，总共大概一千七百多条数据。其中有少量网址是错误的，访问会得到404错误，所以在编写代码的时候还要注意错误处理。
任务分析
任务的核心自然就是分析和获取网页内容了。首先现在浏览器里面打开一个网址，看看网页上的内容是什么。
可以看到这个网页格式很乱，学校名字什么的都是混在一起的，一点也不规整，这给我们提取数据造成了不少的麻烦。不过仔细分析之后，其实问题也并不难。
首先要提取的是学校名字，可以看到学校名字和其他文字混在一起，例如"本科一批普通文科627集美大学报考情况"。本来我准备用正则表达式提取，然后发现用正则表达式好像很难。之后我多访问了几个网页，发现学校代码基本上都是数字，如果有字母的话也出现到第一位，所以我采用了以下的算法，首先将字符串从数字处分隔，右边的一个部分就包含了学校名字和“报考情况”几个字，然后删除“报考情况”即可得到学校名字。这个算法唯一的缺点就是，假如出现了字母在中间的代号，就没办法获取到学校名字了，不过实际运行之后，我幸运的发现并没有出现这种情况。
之后要提取的就是专业信息了，在网页源代码中这部分使用tr和td标签来呈现的。一开始我用的是tr加上选择器来提取，但是这个网页生成的时候很有问题，每个tr标签的样式居然还根据内容的多少而不同，导致我写死的选择器没法完美获取所有行。不过后来我发现整个网页内容都是一个表格， 除去表头和结尾的几个固定行之外，剩下的恰好就是要提取的数据行，所以直接获取tr标签，然后切片除去收尾即可。
网页基本上分析完了，下面就是编写代码了。
编写代码
总共50行左右代码，我添加了注释，相信大家应该很容易就可以看懂。
第一部分代码是从网址表格读取所有url，一开始编写的时候，表格里的url是从另一个公式生成的，所以需要在加载的时候添加data_only=True才能读取到公式的结果，否则只能读取到公式本身。
第二部分是创建输出文件，然后编写表头。顺带为了调试方便，我让它如果检测到已经存在目标文件的话就删掉，在建立一个新的。
第三部分就是代码的核心了。Python代码看着可能有点奇怪，不过对照上面的分析，我想大家应该很容易看懂。需要注意保存文件在最后，假如半路代码出现异常，整个就白干了，而一千七百多条网址不可能保证都正常运行。由于输出格式是“学校名+专业信息”这样的格式，所以我获取学校名之后，还要将学校插入到每行专业信息之前。所以我这里索性直接用try-except包起来，如果出错的话只打印一下出错的网址。
import os from requests_html import HTMLSession from openpyxl import Workbook, load_workbook # 从网址表格获取urls def get_urls(): input_file = 'source.xlsx' wb = load_workbook(input_file, data_only=True) ws = wb.active urls = [row[0] for row in ws.values] wb.close() return urls # 输出Excel文件，如果已存在则删除已有的 out_file = 'data.xlsx' if os.path.exists(out_file): os.remove(out_file) wb = Workbook() ws = wb.active # 编写第一行表头 ws['a1'] = '学校' ws['b1'] = '专业代号' ws['c1'] = '专业名称' ws['d1'] = '计划数' ws['e1'] = '预计1:1录取最低分(投档分)' ws['f1'] = '按院校投档比例投档线上已报人数' ws['g1'] = '学费' ws['h1'] = '办学地点' ws['i1'] = '专业备注' # 发起网络请求，解析网页信息，并写入文件 session = HTMLSession() urls = get_urls() for url in urls: import re page = session.get(url) page.html.encoding = 'gb2312' try: college_info = page.html.xpath('//td[@class="report1_1_1"]/text()', first=True) college = re.split('\d+', college_info)[1].replace('报考情况', '') rows = page.html.xpath('//tr')[3:-2] for r in rows: info = [x.text for x in r.xpath('//td')] info.insert(0, college) ws.append(info) print(info) except: print(url) # 保存文件 wb.save(out_file) |
运行结果
好了，费了大半天的劲，代码终于完成了。让我们运行一下看看结果。整个代码大概需要运行7-8分钟，最后完成之后得到了一个500多k的Excel文件。
打开之后，可以发现Excel文件填的满满的，最后总共获取到了大约一万多条数据，任务圆满完成。
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理
