当前位置：首页 > news >正文

【Python】简单的爬虫抓取

news 2025/5/11 3:39:36

效果：抓取某个学校网站的教授名录，并获取研究方向。
由于网站使用的都是明文，所以抓起来没什么难度，且平时访问量小，很值得用来练习。
在这里插入图片描述
代码如下，解释请见注释

import timeimport requests
from bs4 import BeautifulSoup# 创建一个包含浏览器头部信息的字典，模拟浏览器，可以骗过一些简单的反爬虫网站
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36',# 可以根据需要添加更多的头部信息，比如：# 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',# 'Accept-Language': 'en-US,en;q=0.5',# 'Accept-Encoding': 'gzip, deflate, br',# 'DNT': '1', # Do Not Track 请求头表明用户不希望被追踪# 'Connection': 'keep-alive',# 'Upgrade-Insecure-Requests': '1',# 如果需要处理cookies，也可以在这里设置'Cookie'字段# 'Cookie': 'your_cookie_here',
}# 获取教师信息
def request_teacher_info(url):# 发送GET请求，并带上headersresponse = requests.get(url, headers=headers)content = response.content.decode('utf-8')# 确保请求成功if response.status_code == 200:soup = BeautifulSoup(content, 'html.parser')# 抓取div标签下，class为infobox的标签infobox_div = soup.find('div', class_='infobox')# 抓取span标签，class为'h_info'，并且包含"姓名"字样name_span = infobox_div.find('span', class_='h_info', string='姓名：')# 抓取"姓名"字样后一个字样，即实际姓名name = name_span.find_next_sibling('span').get_text(strip=True)# 同样的方法抓研究方向，想继续抓，还有邮箱，发表论文这些，都是一样的套路research_direction_span = infobox_div.find('span', class_='h_info', string='研究方向：')research_direction = research_direction_span.find_next_sibling('span').get_text(strip=True)print(f"{name}  研究方向：{research_direction}")else:print(f"请求失败，状态码为：{response.status_code}")# 获取教师列表
def request_teacher_list(url):# 发送GET请求，并带上headersresponse = requests.get(url, headers=headers)content = response.content.decode('utf-8')link_list = []# 确保请求成功if response.status_code == 200:# 使用BeautifulSoup解析HTML内容soup = BeautifulSoup(content, 'html.parser')right_list_r = soup.find('div', class_='right-list r')# 教师列表teacher_lists = right_list_r.find_all('div', class_='teacher-list')for teacher_list in teacher_lists:job_type = teacher_list.find("h2", class_="title l")# 这些打印信息可以忽略，重要信息已在request_teacher_info()中展示print(job_type.get_text(strip=True))professor_ul = teacher_list.find_all('ul')[0]a_list = professor_ul.find_all('a', href=True)for a in a_list:link = a['href']link_list.append(link)print(link)print("=" * 50)return link_listlink_list1 = request_teacher_list("https://example.com")
for link in link_list1:request_teacher_info(link)# time.sleep(0.5)