Python爬虫大作业
一、题目：
获取并保存目标网站的下图所示的所有英文名，网页转换通过点击more names刷新名字并将各个英文名子目录下，去获取并保存每一个英文名的名字、性别、寓意、简介如下图所示内容红色标记框内的内容：
二、爬取步骤：
1．数据服务
爬取步骤：
（1）爬取整个动态网页信息内容；
（2）解析网页内容，利用正则表达式获取有效信息；
（3）把爬取下来的信息采用csv进行存储；
（4）进行必要的手动的数据清理和美化。
2．解析服务
解析步骤：
（1）利用headers直接访问网页内容；
（2）爬取页面信息；
（3）解析页面；
（4）形成text数据。
（5）实时获得网站的英文名、性别、寓意、简介等内容。
流程图：
三、源代码：
按步骤要求一步一步将数据爬取并保存。
1 import requests#请求库
2 import re#表达式解析库
3 import csv
4 def html_save(s):#爬取内容保存函数
5 with open('save3.csv','a', newline='')as f:#以追加的方式存数据newline控制文本模式之下，一行的结束字符
6 writer = csv.writer(f)#将数据写入csv文件
7 writer.writerow(s)
8
9 def get_url(n):#保存网址
10 urls=[]
11 for i in range(1,101):#测试得出网址范围
12 urls.append('http://www.nymbler.com/nymbler/more/%s'%i)
13 return urls
14 pass
15
16 def get_detail(url):#对网页内容进行解析获取
17 headers = {'Cookie':"heroku-session-affinity=AECDaANoA24IAaj0sYj+//8HYgAH2hNiAAsB42EDbAAAAANtAAAABXdlYi4zbQAAAAV3ZWIuMm0AAAAFd2ViLjFqTiF9lGfQyz4HBcluZEIivsLibgo_; PLAY_SESSION=e625836109d6e09af14be41657c35e808ca31e72-session_id=240bcff7-ebb5-49ee-8fa4-ffcc5ba32e48; _ga=GA1.2.408125030.1575511582; _gid=GA1.2.1377013858.1575511582; td_cookie=18446744071831041204; _gat_gtag_UA_1763772_1=1"}#反爬虫请求头
18 response = requests.post(url)#解析网页
19 docx=(response.text)#得到解析文本
20 name=re.findall(r'"name":"([^"]+)"',docx)#正则匹配name的value
21 gender=re.findall(r'"gender":"([^"]+)"',docx) #正则匹配gender的value
22 info=re.findall(r'"info":"([^"]+)"',docx)
23 meaning=re.findall(r'"meaning":"([^"]+)"',docx)
24 for i in range(len(meaning)):#将获取的信息进行有序处理
25 tmp=[]
26 tmp.append(name[i])
27 tmp.append(gender[i])
28 tmp.append(meaning[i])
29 tmp.append(info[i])
30 html_save(tmp)#对信息进行保存
31 return tmp
32 pass
33
34 def get_all(n):#获取所有网页的信息
35 alldata=[]
36 for url in get_url(n):
37 alldata.extend(get_detail(url))#将get_url(n)内的所有网页一一进行解析保存
38 return alldata
39 pass
40
41 get_all(100)#函数调用
四、运行结果：
部分结果展示：
