(Requests+Etree+BeautifulSoup+Pandas+Path应用 | 获取页面指定区域数据存入html、excel文档)
1 需求来源
- 获取网页指定区域数据，并进行保存；
- 简单说就是pa chong的需求了。
2 需求细节
注意：请文明上网，本文仅作为学习用。讲述的是思路和方法，所以对被测试网站关键数据进行隐藏。如有需要，可学习思路后自行找测试对象进行学习。
- 某网站，进入后如下，有很多数据分类：
-
进入某个分类后有很多小分类，如电阻器中的页面：
-
而每个小类又有很多数据，那我们就是要把这些数据下载下来进行保存：
3 设计分析
根据以上【需求细节】，我们已经大概明白需要做啥，就是要下载一个大的分类下的小类中的内容：
- 要请求对应页面数据，那我们需要用到的
requests.get方法； - 请求完数据后，要获取对应元素的html，要用到
etree.HTML和tree.xpath方法； - 因为这些大类或小类，其实本质上都是不同的链接，从页面看我们可能需要获取
a标签，那么需要使用BeautifulSoup进行页面解析； - 下载下来的数据，我们要进行保存到
html格式的文件中，那我们要用到基本的数据写入，比如open和write方法； - 想把下载下来的
html原格式保存到excel中，那需要对html和excel格式进行解析，需要使用pandas进行处理； - 这个中间过程中，需要对文件和路径进行处理，所以还需要用到
Path方法； - 最后我们把脚本打包成exe方便运行和使用，那需要用到打包工具
Pyinstaller处理。
4 技术栈
- 从【3 设计分析】来看，我们需要用到以下工具环境。
| 工具 | 版本 | 用途 |
|---|---|---|
Python |
V3.7.0 | 脚本设计 |
beautifulsoup4 |
V4.11.1 | html页面数据解析 |
lxml |
V4.6.3 |
etree.HTML、tree.xpath获取对应元素的html |
pandas |
V1.1.5 | excel数据处理 |
requests |
V2.24.0 | 页面数据请求 |
- 复制以下内容命名为
requirements.txt，直接使用pip install -r requirements.txt即可安装需要的包；
beautifulsoup4==4.11.1
lxml==4.6.3
pandas==1.1.5
requests==2.24.0
5 设计实现
- 先引入所有需要的包：
import requests
from lxml import etree
from bs4 import BeautifulSoup
import pandas
import os
import time
from pathlib import Path
- 创建基类Tools：
class Tools(object):
"""公共方法（工具）作为基类被后续调用"""
5.1 封装公共方法类Tools
5.1.1 封装数据请求方法get_category
- 创建方法get_category，传入四个参数：
def get_category(self,
curt_url,
curt_xpath,
curt_list,
curt_headers):
"""
请求方法封装
:param curt_url: 请求地址
:param curt_xpath: 对应table xpath
:param curt_list: 存放列表
:param curt_headers: 请求头
:return: 无返回
"""
- 为什么要这么做？为了避免代码冗余，后续有很多地方用到数据请求和获取，所以进行了封装。而传入的四个参数，基本是变化的，所以用到时候，传入需要的参数即可；
- 在每次请求前加个延迟：
time.sleep(1)，避免请求太过频繁； - 使用
requests.get方法，获取目标地址数据，其中要加入两个参数，主要避免请求报SSl错误：
res = requests.get(curt_url,
verify=False,
headers=curt_headers)
- 使用
etree.HTML方法返回的数据进行html转换：
tree = etree.HTML(res.content)
- 使用
tree.xpath方法获取该页面中指定元素的内容：
div = tree.xpath(curt_xpath)
- 使用以下方法进行格式转换，获取的数据是byte字节，转换成str类型；
div_str = etree.tostring(div[0])
div_str1 = str(div_str, "UTF-8")
- 使用
BeautifulSoup方法解析页面html，获取a标签的所有链接内容，就是大类或小类的名字对应的链接了；
soup = BeautifulSoup(div_str1)
for k in soup.find_all('a'):
curt_list.append(k['href'])
-
get_category方法源码：
def get_category(self,
curt_url,
curt_xpath,
curt_list,
curt_headers):
"""
请求方法封装
:param curt_url: 请求地址
:param curt_xpath: 对应table xpath
:param curt_list: 存放列表
:param curt_headers: 请求头
:return: 无返回
"""
time.sleep(1)
res = requests.get(curt_url,
verify=False,
headers=curt_headers) # 接口数据请求方法
tree = etree.HTML(res.content) # 获取返回数据的内容
div = tree.xpath(curt_xpath) # 获取当前页面需要的table xpath对应的内容
div_str = etree.tostring(div[0]) # 格式转换
div_str1 = str(div_str, "UTF-8") # byte转为str
# print(div_str1)
soup = BeautifulSoup(div_str1) # BeautifulSoup解析页面html
for k in soup.find_all('a'): # 获取a标签
curt_list.append(k['href'])
5.1.2 封装html数据写入方法write_html
- 就是把以上获取的内容存入html格式的文件中；
- 这个简单，直接上代码：
def write_html(self, file, txt):
"""
公共方法：把获取的数据写入文本内容到文件【html格式】
:param file: 文件名
:param txt: 文本内容
:return: 返回成功或失败
"""
try:
with open(file, 'w', encoding='utf-8') as f:
f.write(txt)
time.sleep(3)
f.close()
return f"{file}写入: 成功"
except:
return f"{file}写入: 失败"
5.1.3 封装html转excel方法html_to_excel
- 简单说，就是把html文件转换成excel格式；
- 传入五个参数：
def html_to_excel(self,
base_dir,
big_dir,
small_dir,
full_path,
new_file_path):
"""
将html文件转换成excel格式的文件
:param base_dir: 文件存放基地址，默认脚本的上一层目录
:param big_dir: 大类目录
:param small_dir: 小类目录
:param excel_dir: 存放excel目录
:param sheet_n: 存放sheet的名称=小类
:param full_path: 所有sheet合并目录
:param new_file_path: 最终合并的某个小类的excel
:return:无返回
"""
- 大概思路是：
①打开指定目录下的html格式文件； ②循环遍历所有的html格式文件，使用pandas.read_html进行数据读取； ③使用pandas.ExcelWriter方法写入excel； ④写入excel后是每个html存放在每个sheet中； ⑤合并所有的sheet为一个excel。
- 直接上代码：
def html_to_excel(self,
base_dir,
big_dir,
small_dir,
full_path,
new_file_path):
"""
将html文件转换成excel格式的文件
:param base_dir: 文件存放基地址，默认脚本的上一层目录
:param big_dir: 大类目录
:param small_dir: 小类目录
:param excel_dir: 存放excel目录
:param sheet_n: 存放sheet的名称=小类
:param full_path: 所有sheet合并目录
:param new_file_path: 最终合并的某个小类的excel
:return:无返回
"""
excel_dir = base_dir + "\\" + big_dir + "\\" + small_dir + "\\"
sheet_n = small_dir
# sheet_n = "1-陶瓷电容器"
os.chdir(excel_dir)
for filename in os.listdir(excel_dir):
print(filename)
try:
with open(excel_dir + filename, 'rb') as f:
df = pandas.read_html(f.read(), header=1, encoding='utf-8')
bb = pandas.ExcelWriter(excel_dir + filename + ".xlsx")
df[0].to_excel(bb, index=False)
bb.close()
except Exception as e:
print("异常：" + e)
time.sleep(3)
workbook = pandas.ExcelWriter(full_path)
folder_path = Path(excel_dir)
file_list = folder_path.glob('*.xlsx*')
for i in file_list:
stem_name = i.stem
data = pandas.read_excel(i, sheet_name=0)
data.to_excel(workbook, sheet_name=stem_name, index=False)
time.sleep(2)
workbook.save()
workbook.close()
time.sleep(2)
data2 = pandas.read_excel(full_path, sheet_name=None)
data3 = pandas.concat(data2, ignore_index=True)
# new_file_path = "合并.xlsx"
data3.to_excel(new_file_path, sheet_name=sheet_n, index=False)
5.2 两个全局变量存放获取的数据名称
category_list = [] # 存放所有大类
category_list_small = [] # 存放所有小类
5.3 创建数据处理和获取类DataBase
5.3.1 初始化类
def __init__(self):
# self.tools = Tools()
self.url = 'xxxx' # 目标网站
self.headers = {'Connection': 'close'} # 请求头，避免ssl报错
# self.big_num = 3 # 第几个大类，从0开始
# self.small_num = 0 # 第几个小类，从0开始
self.net_xpath = '/html/body/div[5]/div/div[2]' # 网站所有大类的table xpath
self.xpath_big = ['/html/body/div[3]/div[2]'] # 对应大类中的小类的table xpath
self.xpath_small = ['/html/body/div[4]/div'] # 对应小类的内容table xpath
5.3.2 获取所有大类名称存入列表
def get_big_category(self):
"""获取网站中所有的类别，存放列表中"""
self.get_category(self.url,
self.net_xpath,
category_list,
self.headers)
print(f"1========={category_list}")
5.3.3 获取所有大类中小类的名称存入列表
def get_small_category(self, big_num):
"""获取某个大类中小类所有的类别，存放列表中"""
self.get_category(f'{self.url}{category_list[big_num]}',
self.xpath_big[0],
category_list_small,
self.headers)
print(f"获取的大类是： {category_list[big_num]} ，如下：")
5.3.4 获取小类中页面的内容
def get_small_content(self, i, small_num):
"""获取小类中所有内容"""
print(f"获取的大类对应的小类是：{category_list_small[small_num]}")
time.sleep(1)
url_1 = f'{self.url}{category_list_small[small_num]}?page={i}'
print(f"请求的小类的域名为：{url_1}")
res = requests.get(url_1, verify=False, headers=self.headers)
tree = etree.HTML(res.content)
div = tree.xpath(self.xpath_small[0])
div_str = etree.tostring(div[0])
div_str1 = str(div_str, "UTF-8")
time.sleep(2)
return div_str1
5.4 方法调用main设计
5.4.1 输出输入规则
def main():
print("*" * 20)
print("在运行前请所熟悉下规则：\n"
"1、按照网页显示，大类名称输入 数字-大类名称，如1-电阻器\n"
"2、小类名称输入 数字-小类名称，如1-固定电阻器\n"
"3、大小类前边的数字表示第几个\n"
"4、如果输错不做判断，只是存放的路径需要自己查找，建议一次性输入正确\n"
"5、！！！！！程序执行过程请勿关闭任何窗口！！！！！")
print("*" * 20)
5.4.2 对当前脚本路径进行处理
base_file = os.path.dirname(os.path.abspath("test_database_final.py"))
print("#" * 20)
print("程序将开始执行，请稍后......\n"
"程序已经启动~\n"
f"程序启动目录为：{base_file}\n"
"初始化数据......")
print("&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&\n"
"1-电阻器 2-连接器 3-连接器支架 4-电容器 5-振荡器 \n"
"6-晶体/谐振器 7-电源电路 8-开关 9-传感器/温度传感器 10-光电 \n"
"11-光纤 12-二极管 13-电路保护 14-存储 15-信号电路 \n"
"16-电感器 17-端子 18-插座 19-微控制器和处理器 20-射频和微波 \n"
"21-逻辑 22-晶体管 23-继电器 24-转换器 25-过滤器 \n"
"26-触发装置 27-RC网络 28-可编程逻辑 29-电信电路 30-驱动程序和接口 \n"
"31-放大器电路 32-耐热支撑装置 33-变压器 34-消费电路 35-电池 \n"
"&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&")
5.4.3 从键盘输入要获取的数据信息
big = input("请输入大类的名称(如1-电阻器): ")
small = input("请输入小类的名称(如1-固定电阻器): ")
num = int(input("请输入小类的页数(如50,需要从网站查看): "))
b_n = int(input("请输入该大类对应的序号，共35个大类，从左到右数从0开始，比如0： "))
m_n = int(input("请输入该小类对应的序号，从0开始，比如0: "))
print(f"经过输入，我们要获取的数据为:第{b_n + 1}个大类中的第{m_n + 1}个小类\n"
f"即：{big}中的{small}")
5.4.4 数据调用
data_base = DataBase()
data_base.get_big_category()
data_base.get_small_category(b_n)
5.4.5 循环换入每页中的数据
for i in range(1, num+1):
get_content = data_base.get_small_content(i, m_n)
print(f"第{i}次获取：获取的数据开始写入文件，文件名为：第{i}页.html")
file = f"{base_file}\\{big}\\{small}"
if os.path.exists(file) is False:
os.makedirs(file)
data_base.write_html(file=f"{file}\\第{i}页.html",
txt=get_content)
time.sleep(1)
5.4.6 获取的数据合并存入最终的excel
data_base.html_to_excel(base_file,
big,
small,
f"{small}sheet.xlsx",
f"{small}.xlsx")
5.4.7 main方法源码
def main():
print("*" * 20)
print("在运行前请所熟悉下规则：\n"
"1、按照网页显示，大类名称输入 数字-大类名称，如1-电阻器\n"
"2、小类名称输入 数字-小类名称，如1-固定电阻器\n"
"3、大小类前边的数字表示第几个\n"
"4、如果输错不做判断，只是存放的路径需要自己查找，建议一次性输入正确\n"
"5、！！！！！程序执行过程请勿关闭任何窗口！！！！！")
print("*" * 20)
base_file = os.path.dirname(os.path.abspath("test_database_final.py"))
print("#" * 20)
print("程序将开始执行，请稍后......\n"
"程序已经启动~\n"
f"程序启动目录为：{base_file}\n"
"初始化数据......")
print("&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&\n"
"1-电阻器 2-连接器 3-连接器支架 4-电容器 5-振荡器 \n"
"6-晶体/谐振器 7-电源电路 8-开关 9-传感器/温度传感器 10-光电 \n"
"11-光纤 12-二极管 13-电路保护 14-存储 15-信号电路 \n"
"16-电感器 17-端子 18-插座 19-微控制器和处理器 20-射频和微波 \n"
"21-逻辑 22-晶体管 23-继电器 24-转换器 25-过滤器 \n"
"26-触发装置 27-RC网络 28-可编程逻辑 29-电信电路 30-驱动程序和接口 \n"
"31-放大器电路 32-耐热支撑装置 33-变压器 34-消费电路 35-电池 \n"
"&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&")
big = input("请输入大类的名称(如1-电阻器): ")
small = input("请输入小类的名称(如1-固定电阻器): ")
num = int(input("请输入小类的页数(如50,需要从网站查看): "))
b_n = int(input("请输入该大类对应的序号，共35个大类，从左到右数从0开始，比如0： "))
m_n = int(input("请输入该小类对应的序号，从0开始，比如0: "))
print(f"经过输入，我们要获取的数据为:第{b_n + 1}个大类中的第{m_n + 1}个小类\n"
f"即：{big}中的{small}")
data_base = DataBase()
data_base.get_big_category()
data_base.get_small_category(b_n)
for i in range(1, num+1):
get_content = data_base.get_small_content(i, m_n)
print(f"第{i}次获取：获取的数据开始写入文件，文件名为：第{i}页.html")
file = f"{base_file}\\{big}\\{small}"
if os.path.exists(file) is False:
os.makedirs(file)
data_base.write_html(file=f"{file}\\第{i}页.html",
txt=get_content)
time.sleep(1)
data_base.html_to_excel(base_file,
big,
small,
f"{small}sheet.xlsx",
f"{small}.xlsx")
5.5 主程序调用
if __name__ == "__main__":
main()
input('Press Enter to exit…')
6 完整源码
# -*- coding:utf-8 -*-
# 作者：NoamaNelson
# 日期：2022/10/11
# 文件名称：test_database_final.py
# 作用：xxx
# 博客：https://blog.csdn.net/NoamaNelson
import requests
from lxml import etree
from bs4 import BeautifulSoup
import pandas
import os
import time
from pathlib import Path
class Tools(object):
"""公共方法（工具）作为基类被后续调用"""
def get_category(self,
curt_url,
curt_xpath,
curt_list,
curt_headers):
"""
请求方法封装
:param curt_url: 请求地址
:param curt_xpath: 对应table xpath
:param curt_list: 存放列表
:param curt_headers: 请求头
:return: 无返回
"""
time.sleep(1)
res = requests.get(curt_url,
verify=False,
headers=curt_headers) # 接口数据请求方法
tree = etree.HTML(res.content) # 获取返回数据的内容
div = tree.xpath(curt_xpath) # 获取当前页面需要的table xpath对应的内容
div_str = etree.tostring(div[0]) # 格式转换
div_str1 = str(div_str, "UTF-8") # byte转为str
# print(div_str1)
soup = BeautifulSoup(div_str1) # BeautifulSoup解析页面html
for k in soup.find_all('a'): # 获取a标签
curt_list.append(k['href']) # 循环获取href链接
def write_html(self, file, txt):
"""
公共方法：把获取的数据写入文本内容到文件【html格式】
:param file: 文件名
:param txt: 文本内容
:return: 返回成功或失败
"""
try:
with open(file, 'w', encoding='utf-8') as f:
f.write(txt)
time.sleep(3)
f.close()
return f"{file}写入: 成功"
except:
return f"{file}写入: 失败"
def html_to_excel(self,
base_dir,
big_dir,
small_dir,
full_path,
new_file_path):
"""
将html文件转换成excel格式的文件
:param base_dir: 文件存放基地址，默认脚本的上一层目录
:param big_dir: 大类目录
:param small_dir: 小类目录
:param excel_dir: 存放excel目录
:param sheet_n: 存放sheet的名称=小类
:param full_path: 所有sheet合并目录
:param new_file_path: 最终合并的某个小类的excel
:return:无返回
"""
excel_dir = base_dir + "\\" + big_dir + "\\" + small_dir + "\\"
sheet_n = small_dir
# sheet_n = "1-陶瓷电容器"
os.chdir(excel_dir)
for filename in os.listdir(excel_dir):
print(filename)
try:
with open(excel_dir + filename, 'rb') as f:
df = pandas.read_html(f.read(), header=1, encoding='utf-8')
bb = pandas.ExcelWriter(excel_dir + filename + ".xlsx")
df[0].to_excel(bb, index=False)
bb.close()
except Exception as e:
print("异常：" + e)
time.sleep(3)
workbook = pandas.ExcelWriter(full_path)
folder_path = Path(excel_dir)
file_list = folder_path.glob('*.xlsx*')
for i in file_list:
stem_name = i.stem
data = pandas.read_excel(i, sheet_name=0)
data.to_excel(workbook, sheet_name=stem_name, index=False)
time.sleep(2)
workbook.save()
workbook.close()
time.sleep(2)
data2 = pandas.read_excel(full_path, sheet_name=None)
data3 = pandas.concat(data2, ignore_index=True)
# new_file_path = "合并.xlsx"
data3.to_excel(new_file_path, sheet_name=sheet_n, index=False)
category_list = [] # 存放所有大类
category_list_small = [] # 存放所有小类
class DataBase(Tools):
def __init__(self):
# self.tools = Tools()
self.url = 'xxxxx' # 目标网站
self.headers = {'Connection': 'close'} # 请求头，避免ssl报错
# self.big_num = 3 # 第几个大类，从0开始
# self.small_num = 0 # 第几个小类，从0开始
self.net_xpath = '/html/body/div[5]/div/div[2]' # 网站所有大类的table xpath
self.xpath_big = ['/html/body/div[3]/div[2]'] # 对应大类中的小类的table xpath
self.xpath_small = ['/html/body/div[4]/div'] # 对应小类的内容table xpath
def get_big_category(self):
"""获取网站中所有的类别，存放列表中"""
self.get_category(self.url,
self.net_xpath,
category_list,
self.headers)
print(f"1========={category_list}")
def get_small_category(self, big_num):
"""获取某个大类中小类所有的类别，存放列表中"""
self.get_category(f'{self.url}{category_list[big_num]}',
self.xpath_big[0],
category_list_small,
self.headers)
print(f"获取的大类是： {category_list[big_num]} ，如下：")
def get_small_content(self, i, small_num):
"""获取小类中所有内容"""
print(f"获取的大类对应的小类是：{category_list_small[small_num]}")
time.sleep(1)
url_1 = f'{self.url}{category_list_small[small_num]}?page={i}'
print(f"请求的小类的域名为：{url_1}")
res = requests.get(url_1, verify=False, headers=self.headers)
tree = etree.HTML(res.content)
div = tree.xpath(self.xpath_small[0])
div_str = etree.tostring(div[0])
div_str1 = str(div_str, "UTF-8")
time.sleep(2)
return div_str1
def main():
print("*" * 20)
print("在运行前请所熟悉下规则：\n"
"1、按照网页显示，大类名称输入 数字-大类名称，如1-电阻器\n"
"2、小类名称输入 数字-小类名称，如1-固定电阻器\n"
"3、大小类前边的数字表示第几个\n"
"4、如果输错不做判断，只是存放的路径需要自己查找，建议一次性输入正确\n"
"5、！！！！！程序执行过程请勿关闭任何窗口！！！！！")
print("*" * 20)
base_file = os.path.dirname(os.path.abspath("test_database_final.py"))
print("#" * 20)
print("程序将开始执行，请稍后......\n"
"程序已经启动~\n"
f"程序启动目录为：{base_file}\n"
"初始化数据......")
print("&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&\n"
"1-电阻器 2-连接器 3-连接器支架 4-电容器 5-振荡器 \n"
"6-晶体/谐振器 7-电源电路 8-开关 9-传感器/温度传感器 10-光电 \n"
"11-光纤 12-二极管 13-电路保护 14-存储 15-信号电路 \n"
"16-电感器 17-端子 18-插座 19-微控制器和处理器 20-射频和微波 \n"
"21-逻辑 22-晶体管 23-继电器 24-转换器 25-过滤器 \n"
"26-触发装置 27-RC网络 28-可编程逻辑 29-电信电路 30-驱动程序和接口 \n"
"31-放大器电路 32-耐热支撑装置 33-变压器 34-消费电路 35-电池 \n"
"&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&")
big = input("请输入大类的名称(如1-电阻器): ")
small = input("请输入小类的名称(如1-固定电阻器): ")
num = int(input("请输入小类的页数(如50,需要从网站查看): "))
b_n = int(input("请输入该大类对应的序号，共35个大类，从左到右数从0开始，比如0： "))
m_n = int(input("请输入该小类对应的序号，从0开始，比如0: "))
print(f"经过输入，我们要获取的数据为:第{b_n + 1}个大类中的第{m_n + 1}个小类\n"
f"即：{big}中的{small}")
data_base = DataBase()
data_base.get_big_category()
data_base.get_small_category(b_n)
for i in range(1, num+1):
get_content = data_base.get_small_content(i, m_n)
print(f"第{i}次获取：获取的数据开始写入文件，文件名为：第{i}页.html")
file = f"{base_file}\\{big}\\{small}"
if os.path.exists(file) is False:
os.makedirs(file)
data_base.write_html(file=f"{file}\\第{i}页.html",
txt=get_content)
time.sleep(1)
data_base.html_to_excel(base_file,
big,
small,
f"{small}sheet.xlsx",
f"{small}.xlsx")
if __name__ == "__main__":
main()
input('Press Enter to exit…')
7 Pyinstaller打包
- 直接使用以下命令打包：
pyinstaller -F test_database_final.py
- 打包后生成两个文件夹：
- 双击运行如下exe即可：
8 运行效果
