Python爬虫与一汽项目【一】爬取中海油，邮政，国家电网问题总结

项目介绍

中国海洋石油是爬取的第一个企业，之后依次爬取了，国家电网，中国邮政，这三家公司的源码并没有多大难度，

采购信息地址：

国家电网电子商务平台

http://ecp.sgcc.com.cn/project_list.jsp?site=global&column_code=014001001&project_type=1

中国海洋石油集团有限公司

https://buy.cnooc.com.cn/cbjyweb/001/001001/moreinfo.html

中国邮政

http://www.chinapost.com.cn/html1/category/181313/7294-1.htm

项目地址：

https://github.com/code-return/Crawl_faw

实现过程与方法

1.中国海洋石油集团有限公司

中海油的信息页面很友好，并没有多大难度，实现顺序如下：

#获取首页内容

def get_one_page(url):

    ...

#解析网页

def parse_one_page(html):

    ...

#获取最大页码

def getMaxpage(html):

    ...

#获取二级页面的文本内容

def getContent(url):

    ...

#主函数

def main()：

    url = "https://buy.cnooc.com.cn/cbjyweb/001/001001/moreinfo.html"

    html = get_one_page(url)

    parse_one_page(html)

    page_num = getMaxpage(html)

    #拼接翻页的url，并返回翻页的源代码

    for i in range(2,page_num + 1):

        next_url = url.replace('moreinfo',str(i))

        next_html = get_one_page(next_url)

        parse_one_page(next_html)

　在主函数中需实现翻页爬取的功能，这里通过先获取网页最大页码，然后根据页码设置循环，我们从第二页开始解析网页。

在网页解析函数parse_one_page(html)中，主要实现，获取网页中的标题，发布时间，href，获取该内容之后对数据进行筛选，存储

def time_restrant(date): # 时间判断函数，判断是否当年发布的消息

    thisYear = int(datetime.date.today().year)

    thisMonth = int(datetime.date.today().month)

    thisday = int(datetime.date.today().day)

    year = int(date.split('-')[0])

    month = int(date.split('-')[1])

    day = int(date.split('-')[2])

    #if ((thisYear - year <= 1) or (thisYear - year == 2 and month >= thisMonth)):  # 爬取24个月内的信息

    # if (thisYear == year and month == thisMonth and day == thisday):  # 这里是设置时间的地方

    #if (thisYear == year and month == thisMonth):

    if (thisYear == year):

    #if thisYear == year:

        return True

    else:

        return False

def title_restraint(title,car_count, true_count):  # 标题判断函数，判断标题中是否有所需要的“车”的内容

    global most_kw_arr

    global pos_kw_arr

    global neg_kw_arr

    car_count += 1

    if title.find(u"车") == -1:  # or title.find(u"采购公告"):

        return False,car_count, true_count

    else:

        #car_count += 1

        neg_sign = 0

        pos_sign = 0

        for neg_i in neg_kw_arr:

            if title.find(neg_i) != -1:  # 出现了d_neg_kw中的词

                neg_sign = 1

                break

        for pos_i in pos_kw_arr:

            if title.find(pos_i) != -1:  # 出现了d_pos_kw中的词

                pos_sign = 1

                break

        if neg_sign == 1:

            return False,car_count, true_count

        else:

            if pos_sign == 0:

                return False,car_count, true_count

            elif pos_sign == 1:

                true_count += 1

                return True,car_count, true_count

　　将数据筛选完毕之后，对数据进行存储

def store(title, date, content, province, url): # 向nbd_message表存储车的信息

    title, content = removeSingleQuote(title, content)

    sql = "insert into nbd_message (title,time,content,province,href) values('%s','%s','%s','%s','%s')" % (

    title, date, content, province, url)

    return mySQL("pydb", sql, title, date, province)

def store_nbd_log(car_count, true_count, province_file): # 向nbd_spider_log表存储爬取日志信息

    sql = "insert into nbd_spider_log (total_num,get_num,pro_name,spider_time) values('%d','%d','%s','%s')" % (

    car_count, true_count, province_file,str(datetime.date.today())

　　流程结束

2.中国邮政

邮政的页面更加单一，但是邮政问题在于，

其每个单位都有单独的链接来展示其不同业务部门的招标信息，经过对比我发现，这个下属部门的首页链接，就差了最后一点不一样，因此我偷了个懒，多加了个循环

def main():

    """

    urls中分别对应着集团公司，省邮政分公司，邮政储蓄银行，中邮保险，集团公司直属单位

    """

    urls = ['7294-','7331-','7338-','7345-','7360-']

    for i in range(0,len(urls)):

        strPost = '1.htm'#url后缀

        base_url = "http://www.chinapost.com.cn/html1/category/181313/" + str(urls[i])

        url = base_url + strPost

        html = get_one_page(url)

        # print(html)

        parse_one_page(html)

        page_num = getMaxpage(html)

        getMaxpage(html)

        for i in range(2,page_num + 1):

            next_url = base_url + strPost.replace('1',str(page_num))

            next_html = get_one_page(next_url)

            parse_one_page(next_html)

　邮政完成

3.国家电网

国家电网是我遇到的第一个问题，他的问题在于，在所需要的每个公告里面的href中，给出的不是通常的二级页面链接，而是JavaScript的两个参数，

href=”javascript:void(0);”这个的含义是，让超链接去执行一个js函数，而不是去跳转到一个地址，

而void(0)表示一个空的方法，也就是不执行js函数。

为什么要使用href=”javascript:void(0);”

javascript:是伪协议，表示url的内容通过javascript执行。void(0)表示不作任何操作，这样会防止链接跳转到其他页面。这么做往往是为了保留链接的样式，但不让链接执行实际操作，

<a href="javascript：void(0)" onClick="window.open()"> 点击链接后，页面不动，只打开链接

<a href="#" onclick="javascript:return false;"> 作用一样，但不同浏览器会有差异

　而二级页面的链接与属性onclick里面的两个数字有关！！！因此我用onclick的两个参数，进行二级页面的拼接，

 hrefAttr = selector.xpath("//*[@class='content']/div/table[@class='font02 tab_padd8']/tr/td/a/@onclick")

    for i in range(0,len(hrefAttr)):

        #获取二级页面的跳转参数，以便进行二级页面url拼接

        string = str(hrefAttr[i])

        attr1 = re.findall("\d+",string)[0]

        attr2 = re.findall("\d+",string)[1]

　

结语

继续搬砖......