一、说明
由于国家线快出了,故写了一份爬取小木虫网站调剂信息的爬虫代码,方便信息查看。此代码仅用于学习,不作为任何商业用途。
本代码可爬取小木虫任何年份,任何专业的调剂信息。
二、代码 #!~/opt/anaconda3/bin/python# -*- coding: utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport reimport pandas as pdimport os# 获取网页def getHTMLText(url): try: r = requests.get(url, timeout=30) r.raise_for_status() r.encoding = r.apparent_encoding return r.text except: return ''# 获取数据def getDataInfo(infoList, url, pre_params, *args): params = [] count = -1 for i in args: count += 1 par_ = pre_params[count] + i params.append(par_) # 根据参数获取访问链接 for param in params: url += param + '&' # print(url) html = getHTMLText(url) soup = BeautifulSoup(html, 'html.parser') # 获取页码数,并处理空页异常 try: pages_tag = soup.find_all('td', 'header')[1].string pages = int(re.split('/', pages_tag)[1]) except: pages = 0 # 判读是否只有一页 if pages == 0: pages += 1 for i in range(pages): # 遍历每一页 page = i + 1 url = url + '&page=' + str(page) html = getHTMLText(url) soup = BeautifulSoup(html, 'html.parser') tbody = soup.find_all('tbody', 'forum_body_manage')[0] trs = tbody.find_all('tr') # 每个学校的全部信息被tr标签包围 for tr in trs: # 遍历每一个学校 dicts = {} href = tr.find_all('a')[0].get('href') # 定位至a标签,提取href的属性值 tds = tr.find_all('td') # 每个学校的各个信息包含在td标签内 lens = len(tds) for i in range(lens): # 将各个学校信息添加至字典中 if i == 0: title = tds[i].find('a').string dicts[i] = title else: dicts[i] = tds[i].string dicts['href'] = href print(dicts) infoList.append(dicts) # 每一个学校的信息,添加至列表def outputCSV(infoList, path): data = pd.DataFrame(infoList) # with open(r'./info.csv','w+',encoding='utf-8') as f: try: data.columns = ['标题', '学校', '门类/专业', '招生人数', '发布时间', '链接'] except: print('没有调剂信息...') try: if not os.path.exists(path): data.to_csv(path) print('保存成功') else: print('路径存在') except: print('保存失败')# 设定查询参数 -- 专业、年份def parameters(pro_='', pro_1='', pro_2='', year=''): paramsList = [pro_, pro_1, pro_2, year] return paramsListdef main(): url = 'http://muchong.com/bbs/kaoyan.php?' path = './2020计算机调剂信息(截止4.09).csv' pre_params = ['r1%5B%5D=', 'r2%5B%5D=', 'r3%5B%5D=', 'year='] params = parameters(pro_='08', pro_1='0812',year='2020') dataList = [] getDataInfo(dataList, url, pre_params, *params) outputCSV(dataList, path)main() 三、代码使用参数说明 def parameters(pro_='', pro_1='', pro_2='', year=''): paramsList = [pro_, pro_1, pro_2, year] return paramsListdef main(): url = 'http://muchong.com/bbs/kaoyan.php?' path = './data_info.csv' pre_params = ['r1%5B%5D=', 'r2%5B%5D=', 'r3%5B%5D=', 'year='] params = parameters(pro_='08', pro_1='0801') dataList = [] getDataInfo(dataList, url, pre_params, *params) outputCSV(dataList, path)
主体代码已写完,只需要修改main函数中params中的相关参数,即可使用。
parameters函数主要用于返回查询的参数。默认参数都为空。如果都不填,则是爬取小木虫全部年份,全部专业的所有调剂信息。
params具体参数说明:
pro_
所要查询的学科门类。可查询的见下图:
只要查询填写对应学科门类前的数字即可。例如工学,则:pro_='08'
注意:填写的为字符串格式
pro_1
填写的一级学科代码。如下图:
以电子科学与技术为例,同样只需要填写前面代码即可。如:pro_2='0806'
如果这一项不填,则查询的是前一个填写的整个学科门类所有信息。
pro_2
填写的二级学科代码。如图:
例如查询物理电子学调剂信息,同上。则填:pro_2='080901'。如果不填,则默认查询的是上一级学科下的所有调剂信息。例如,这里就是全部的电子科学与技术的调剂信息。
year
查询年份。例如查询2020年。year='2020'。注意:同样是字符串类型。如果不填,则是查询全部的年份。
其中,main()函数中的保存路径path,可自定义修改。
**总结:**只需修改params和保存路径url即可。
四、效果图 附
小木虫调剂信息网站:http://muchong.com/bbs/kaoyan.php
下载源码–并附有截止在4.09前计算机类的调剂信息