用python进行网页爬取，数据插入数据库

!/usr/bin/env python # coding=utf-8 import requests from bs4 import BeautifulSoup hdrs = {‘User-Agent‘:‘Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko)‘} url = "http://jbk.39.net/yyz/jbzs/" r = requests.get(url, headers = hdrs) soup = BeautifulSoup(r.content.decode(‘utf8‘, ‘ignore‘), ‘lxml‘) #疾病名称 for tag in soup.find_all(‘div‘, class_=‘disease‘): disease = tag.find(‘h1‘).get_text() disease_name = disease print(disease) #疾病简介 div_list = soup.find_all(‘p‘, class_=‘introduction‘) for each in div_list: introduce = each.text.strip() disease_introduce = introduce print(disease_introduce) for tag in soup.find_all(‘div‘, class_=‘list_left‘): uls = tag.find(‘ul‘,class_="disease_basic") m_span = uls.findAll(‘span‘) # print(m_span) is_yibao = m_span[1].contents[0]#是否医保 other_name = m_span[3].contents[0]#别名 fbbw = m_span[5].contents[0]#发病部位 is_infect = m_span[7].contents[0]#是否传染 dfrq = m_span[9].contents[0]#多发人群 m_a = uls.findAll(‘a‘) fbbw = m_a[0].contents[0]#发病部位 print(is_yibao) print(other_name) print(is_infect) print(fbbw)

然后看下打印的结果：

代码从头开始讲解一下：

用到的就是BeautifulSoup的框架进行信息的爬取，

hdrs = {‘User-Agent‘:‘Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko)‘}

这句代码就是设置代理，然后再将url、soup的信息进行传入（设置要爬取的网址，还有就是编码方式以及页面的设置）

根据f12查看页面的标签之后，就可以通过标签选择的方式将标签里面的信息进行获取

for tag in soup.find_all(‘div‘, class_=‘disease‘):
    disease = tag.find(‘h1‘).get_text()
    disease_name = disease
print(disease)

 这里面就是查看页面的标签之后，通过标签的类型以及class进行设定

例如上面的疾病的名称的获取就是将页面里面class=‘disease’的里面的h1标签里面的信息进行获取

div_list = soup.find_all(‘p‘, class_=‘introduction‘)
for each in div_list:
    introduce = each.text.strip()
    disease_introduce = introduce
print(disease_introduce)

这里疾病的简介的获取方式和上面的是类似的，就只是就是查找class=‘introduction’的p标签里面的信息进行获取

for tag in soup.find_all(‘div‘, class_=‘list_left‘):
    uls = tag.find(‘ul‘,class_="disease_basic")
    m_span = uls.findAll(‘span‘)
    # print(m_span)
    is_yibao = m_span[1].contents[0]#是否医保
    other_name = m_span[3].contents[0]#别名
    fbbw = m_span[5].contents[0]#发病部位
    is_infect = m_span[7].contents[0]#是否传染
    dfrq = m_span[9].contents[0]#多发人群
    m_a = uls.findAll(‘a‘)
    fbbw = m_a[0].contents[0]#发病部位

这些就是将class=‘list_left’的div里面的信息进行获取，这些信息都是存在审判标签中

然后我们根据span的下标进行获取就可以了

如果想讲这些信息添加到数据库，其实也很简单，下面说一下将信息添加到数据库的方法（这里是mysql数据库，数据库的连接上都是大同小异）

首先想要连接数据库，就要先引入数据库的链接包：

import pymysql

print(‘连接到mysql服务器...‘)
db = pymysql.connect(
        host="localhost",
        user="用户名",
        passwd="密码",
        port=端口（基本上是3306）,
        db="数据库名称",
        charset=‘utf8‘,
        cursorclass=pymysql.cursors.DictCursor)
print(‘连接上了!‘)
cursor = db.cursor()

这个就是将数据库的链接信息进行设置，然后连接成功，在控制台显示"连接上了"

insert_color = ("INSERT INTO for_health(id,problem,introduce,solution,problem_id,drug,paqu_address,is_infect,symptom,cure_rate)" "VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s)")
dese = (id,problem,introduce,solution,problem_id,drug,paqu_address,is_infect,symptom,cure_rate)
cursor.execute(insert_color, dese)
db.commit()

这些就是将数据传入数据库的操作了

当然变量名是自己进行设定的，这里面的insert_color就是sql

dese就是一个变量的集合

然后将这两个参数进行传递到cursor.execute，然后commit进行数据的提交，就可以了

 

用python进行网页爬取，数据插入数据库

标签：开始   decode   address   服务器   现在   数据   服务   value   ase