手把手教你用用Python爬取上道网的赞助公司名称

一、前言

上道网是一个手游发行推荐与投融资交易平台。平台聚集手游CP、手游发行、手游渠道、手游外包，投资商以及IP授权商，IP合作、一站式服务。并为之提供合作交易机会。

今天教如何去爬取上道网的赞助公司名称，方便有关人士投资。

二、实现目标

获取对应的公司名称，保存文档。

三、项目准备

软件：PyCharm

需要的库：requests，fake_useragent，time

网址：http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-{}.html

四、项目分析

如何网页访问？

1http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-1.html
2
3http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-2.html
4
5http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-3.html
6
7http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-4.html

点击下一页时，每增加一页p-{}.html自增加1，用{}代替变换的变量，再用for循环遍历这网址，实现多个网址请求。

五、项目实现

1. 定义一个class类继承object，定义init方法继承self，主函数main继承self。导入需要的库、请求地址。

1import requests
2from lxml import etree
3from fake_useragent import UserAgent
4import time
5
6class Shangdao(object):
7    def __init__(self):
8        self.url = "http://www.daogame.cn/qudao-p-2.html?s=/qudao-p-{}.html"  #网站
9    def main(self):
10        pass
11
12if __name__ == '__main__':
13    Siper = Shangdao()
14    Siper.main()

2. 随机产生UserAgent，防止反爬。

1for i in range(1, 50):
2            self.headers = {
3                'User-Agent': ua.random,
4            }

3. 发送请求获取响应, 页面回调，方便下次请求。

1   def get_page(self, url):
2        res = requests.get(url=url, headers=self.headers)
3        html = res.content.decode("utf-8")
4        return html

4. 获取公司名称，for遍历。

1  def page_page(self, html):
2        parse_html = etree.HTML(html)
3        one = parse_html.xpath('//h2/a/text()')
4        for i in one:
5            print(i)

5. 写入文档。

1          f = open('公司.doc', 'a', encoding='utf-8')  # 以'w'方式打开文件
2            f.write(str(i))

6. 调用方法，实现功能。

1   def main(self):
2        stat = int(input("输 入 开 始 （2开始）:"))
3        end = int(input("输 入 结 束:"))
4        for page in range(stat, end + 1):
5            url = self.url.format(page)
6            print(url)
7            html = self.get_page(url)
8            self.page_page(html)
9            print("==================第%s页爬取成功！！！！=====================" % page)

项目优化：

1. 设置时间延时。

time.sleep(1.4)

六、效果展示

点击绿色小三角运行输入起始页，终止页( 从0页开始 )。

渠道公司名，结果显示控制台。

保存文档。

七、总结

1. 不建议抓取太多数据，容易对服务器造成负载，浅尝辄止即可。

2. 希望通过这个项目，能够帮助了解xpath解析页面的基本流程，字符串是如何拼接，format函数如何运用。

3. 本文基于Python网络爬虫，利用爬虫库，实现爬取上道网，但是到自己动手实现的时候，总会有各种各样的问题，切勿眼高手低，勤动手，才可以理解的更加深刻。

想学习更多Python网络爬虫与数据挖掘知识，可前往专业网站：http://pdcfighting.com/