EX2 | 用Python爬取彩票网站的信息

nianqunsh 2018-10-16 15:11:27 2013

欢迎关注微信号:student_Shang
小编是985院校小硕士一枚,欢迎关注,持续更新中~

中奖啦!中奖啦!
哈喽,大家好~

在本次推送中,以彩票网站的数据作为采集目标,重点采集并保存彩票网站的3D项目开奖日期、期号、中奖号码、中奖注数、销售金额、以及返奖比例等信息,在本地根目录下以 .xls 的文件形式进行存储。

1 准备工作

在本次爬虫开始之前,请确保已经安装好了第三方 requests 库、xlwt 库、time 库、以及BeautifulSoup 库等。如果没有安装,请使用cmd打开命令行界面,并逐行键入以下代码:

pip install requests
pip install xlwt
pip install bs4
pip install time

2 抓取分析

本次抓取的信息内容较上一次简单。只需要利用 requests 库向指定网站发送请求,获取服务器传来的响应,随后利用BeautifulSoup库完成对网页代码的解析,同时为了进一步防止触发反爬虫机制,我们加入了 time库的延迟操作。具体分析如下:
首先,我们本次爬取的网站是

http://kaijiang.zhcw.com/zhcw/html/3d/list.html

右键点击 检查 按钮,或者直接按下 F12 进入开发者界面,点开 Network 一栏,并按下 F5 刷新按钮,必要时请按下 CTRL + F5 组合键完成页面的刷新。随后我们点击刷新后出现的第一个子栏目。如下图所示:

观察list表单中的相关信息

这里我们可以看到,网站请求的 Request URL ,再往下翻观察 Request Headers信息,为了避免触发反爬虫机制,我们要尽量把爬虫程序做的更像是人在浏览网页。

接下来便是对网页的提取与保存,我们开始今天的爬虫工作。

3 爬取信息与保存

在安装完毕我们在一开始介绍的第三方库后,这里我们需要首先导入这些文件才能够进行后续的操作。

import requests
from bs4 import BeautifulSoup
import xlwt
import time
3.1 网页请求头的设置

为了使爬虫程序模拟的更像人在操作,因此我们添加了请求过程中一些比较重要的请求头信息,并将其整理成一个请求函数,具体如下:

def get_one_page(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36',
        'Host': 'kaijiang.zhcw.com'
    }

    response = requests.get(url, headers=headers)
    if response.status_code == 200:
        return response.text
    return None

接下来我们便开始网页的爬取工作。

3.2 彩票网站数据的爬取与保存

首先,我们需要对单个网页的信息进行爬取,通过对响应代码的分析,我们利用 BeautifulSoup 库完成对代码的解析。同时将其定义为 parse_one_page() 函数。具体如下:

def parse_one_page(html):
    soup = BeautifulSoup(html, 'lxml')
    i = 0
    for item in soup.select('tr')[2:-1]:
        yield {
            'time': item.select('td')[i].text,
            'issue': item.select('td')[i + 1].text,
            'digits': item.select('td em')[0].text,
            'ten_digits': item.select('td em')[1].text,
            'hundred_digits': item.select('td em')[2].text,
            'single_selection': item.select('td')[i + 3].text,
            'group_selection_3': item.select('td')[i + 4].text,
            'group_selection_6': item.select('td')[i + 5].text,
            'sales': item.select('td')[i + 6].text,
            'return_rates': item.select('td')[i + 7].text
        }

单个网页的内容收集完毕后,我们需要获取如何跳入下一页。这里我们发现,通过更改不同页数的网页 URL 之间的 pageNum 参数,可以实现网页之间的切换。

http://kaijiang.zhcw.com/zhcw/inc/3d/3d_wqhg.jsp?pageNum=1
http://kaijiang.zhcw.com/zhcw/inc/3d/3d_wqhg.jsp?pageNum=50

此外,利用 xlwt 库完成对数据的保存工作。具体代码如下:

def write_to_excel():
    f = xlwt.Workbook()
    sheet1 = f.add_sheet('3D', cell_overwrite_ok=True)
    row0 = ["开奖日期", "期号", "个位数", "十位数", "百位数", "单数", "组选3", "组选6", "销售额", "返奖比例"]
    # 写入第一行
    for j in range(0, len(row0)):
        sheet1.write(0, j, row0[j])

    # 依次爬取每一页内容的每一期信息,并将其依次写入Excel
    i = 0
    for k in range(1, 247):
        time.sleep(0.1)
        url = 'http://kaijiang.zhcw.com/zhcw/inc/3d/3d_wqhg.jsp?pageNum=%s' % (str(k))
        html = get_one_page(url)
        print('正在保存第%d页。' % k)
        # 写入每一期的信息
        for item in parse_one_page(html):
            sheet1.write(i + 1, 0, item['time'])
            sheet1.write(i + 1, 1, item['issue'])
            sheet1.write(i + 1, 2, item['digits'])
            sheet1.write(i + 1, 3, item['ten_digits'])
            sheet1.write(i + 1, 4, item['hundred_digits'])
            sheet1.write(i + 1, 5, item['single_selection'])
            sheet1.write(i + 1, 6, item['group_selection_3'])
            sheet1.write(i + 1, 7, item['group_selection_6'])
            sheet1.write(i + 1, 8, item['sales'])
            sheet1.write(i + 1, 9, item['return_rates'])
            i += 1

    f.save('3D.xls')
3.3 启动程序

最后,键入以下代码便能够实现整个程序的运行:

def main():
    write_to_excel()

4 总结与展望

本次爬虫程序在编写过程中,遇到了改变页码爬取信息只到50页便终止的反爬虫机制,因此改变为上述的爬取 URL 。在爬虫程序完成后,会在文件保存的根目录下出现 3D.xls 的文件。此外,本次爬虫只限于对数据的爬取与保存工作,数据的分析工作留待后续进行再处理。

微信公众号:Python一号通
关注可了解更多的爬虫教程及机器学习内容。
问题或建议,请公众号留言

声明:本文内容由易百纳平台入驻作者撰写,文章观点仅代表作者本人,不代表易百纳立场。如有内容侵权或者其他问题,请联系本站进行删除。
红包 点赞 收藏 评论 打赏
评论
0个
内容存在敏感词
手气红包
    易百纳技术社区暂无数据
相关专栏
关于作者
nianqunsh

nianqunsh

暂无个性签名~

原创6
阅读1.3w
收藏0
点赞0
评论0
打赏用户 0
我要创作
分享技术经验,可获取创作收益
分类专栏
置顶时间设置
结束时间
删除原因
  • 广告/SPAM
  • 恶意灌水
  • 违规内容
  • 文不对题
  • 重复发帖
打赏作者
易百纳技术社区
nianqunsh
您的支持将鼓励我继续创作!
打赏金额:
¥1易百纳技术社区
¥5易百纳技术社区
¥10易百纳技术社区
¥50易百纳技术社区
¥100易百纳技术社区
支付方式:
微信支付
支付宝支付
易百纳技术社区微信支付
易百纳技术社区
打赏成功!

感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~

举报反馈

举报类型

  • 内容涉黄/赌/毒
  • 内容侵权/抄袭
  • 政治相关
  • 涉嫌广告
  • 侮辱谩骂
  • 其他

详细说明

审核成功

发布时间设置
发布时间:
是否关联周任务-专栏模块

审核失败

失败原因
备注
拼手气红包 红包规则
祝福语
恭喜发财,大吉大利!
红包金额
红包最小金额不能低于5元
红包数量
红包数量范围10~50个
余额支付
当前余额:
可前往问答、专栏板块获取收益 去获取
取 消 确 定

小包子的红包

恭喜发财,大吉大利

已领取20/40,共1.6元 红包规则

    易百纳技术社区