python 爬阳光高考高校数据_爬取阳光高考-程序员宅基地

技术标签: python  1024程序员节  

import json
import time
from requests_html import HTMLSession


# 爬取阳光高考院校库
def get_school_data():
    # 开启会话
    session = HTMLSession()
    # 初始化院校列表
    school_list = []
    # 分页参数,起始位置
    start = 1
    # 分页参数,每页条数,阳光高考院校库默认为20条/页
    limit = 10
    # 开始执行时的时间
    start_time = time.time()
    print("阳光高考院校库爬取任务")
    print("开始执行...")
    # 分页循环获取
    while True:
        # 阳光高考院校库查询网址
        # url = 'https://gaokao.chsi.com.cn/sch/search.do?searchType=1&start=' + str(start)
        url = 'https://gaokao.xdf.cn/college/china/searchSchool/_____'+str(start)
        # 获取请求到的html
        r = session.get(url)
        # 从中获取到院校库的table中的所有文字
        result = r.html.find("body > div.main > div.container > div.main-table > table > tbody > tr")

        # 初始化本次循环的数据列表
        this_list = []
        for res in result:
            text = res.text
        # 通过.将字符串拆分为数组,对本次循环获取到的分页数据进行循环处理
            # 每一条数据通过换行符拆分为数组
            arr = text.split("\n")
            # 初始化院校信息
            school = {}
            # 如果长度为1,则为通过.拆分时的最后一条无用信息,直接跳过
            if len(arr) == 1:
                continue

            if len(arr) == 9:
                school.update({"name": arr[0], "area": arr[1], "property": arr[2], "type": arr[3], "level": arr[4], "attrs": arr[5]})
            else:
                school.update({"name": arr[0], "area": arr[1], "property": "", "type": "", "level": "", "attrs": ""})
            # property = ""
            # if not arr[2]:
            #   property = arr[2]
            #
            # type = ""
            # if not arr[3]:
            #     type = arr[3]
            #
            # level = ""
            # if not arr[4]:
            #     level = arr[4]
            #
            # attrs = ""
            # if not arr[5]:
            #     attrs = arr[5]
            #
            # if property is None:
            #      property = ""
            #
            # if type is None:
            #      type = ""
            #
            # if level is None:
            #     level = ""
            #
            # if attrs is None:
            #     attrs = ""



            # 将院校追加到本次循环结果的数组中
            this_list.append(school)
            # 将院校追加到总的结果中
            school_list.append(school)
        print("爬取第 " + str(int(start)) + " 页,本页获取到 " + str(len(this_list)) + " 条数据")
        # 如果本次分页循环的长度小于分页的每页长度,说明本次为最后一页数据,数据读取完毕,终止循环
        if len(this_list) < limit:
            break
        # 否则起始位置需要加上一页
        start += 1
    # 执行完毕时的时间
    end_time = time.time()
    print("执行完毕,耗时 " + str(round(end_time - start_time, 2)) + " 秒,共获取到 " + str(len(school_list)) + " 条数据")
    # 关闭会话
    session.close()
    # 返回结果
    return school_list


# 保存为JSON数组
def save_json_data(school_list):
    data = open('./data.json', 'w')
    data.write(json.dumps(school_list, ensure_ascii=False, ).encode("utf8").decode())
    print("已保存为JSON数组(./data.json)")


# 保存为SQL可执行文件
def save_sql_file(school_list):
    school_sql = "insert into ant_user_school(name,area,property,type,level,attrs) values "
    for school in school_list:
        school_sql += "('" + school["name"] + "','" + school["area"] + "','" + school["property"] + "','" + school["type"] + "','" + school["level"] + "','" + school["attrs"] + "'),"
    if school_sql.endswith(","):
        school_sql = school_sql[0:-1]
    data = open('./data.sql', 'w')
    data.write(school_sql)
    print("已保存为SQL可执行文件(./data.sql)")


data = get_school_data()
# save_json_data(data)
save_sql_file(data)

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_39175589/article/details/120941940

智能推荐

python编码问题之encode、decode、codecs模块_python中encode在什么模块-程序员宅基地

文章浏览阅读2.1k次。原文链接先说说编解码问题编码转换时,通常需要以unicode作为中间编码,即先将其他编码的字符串解码(decode)成unicode,再从unicode编码(encode)成另一种编码。 Eg:str1.decode('gb2312') #将gb2312编码的字符串转换成unicode编码str2.encode('gb2312') #将unicode编码..._python中encode在什么模块

Java数据流-程序员宅基地

文章浏览阅读949次,点赞21次,收藏15次。本文介绍了Java中的数据输入流(DataInputStream)和数据输出流(DataOutputStream)的使用方法。

ie浏览器无法兼容的问题汇总_ie 浏览器 newdate-程序员宅基地

文章浏览阅读111次。ie无法兼容_ie 浏览器 newdate

想用K8s,还得先会Docker吗?其实完全没必要-程序员宅基地

文章浏览阅读239次。这篇文章把 Docker 和 K8s 的关系给大家做了一个解答,希望还在迟疑自己现有的知识储备能不能直接学 K8s 的,赶紧行动起来,K8s 是典型的入门有点难,后面越用越香。

ADI中文手册获取方法_adi 如何查看数据手册-程序员宅基地

文章浏览阅读561次。ADI中文手册获取方法_adi 如何查看数据手册

React 分页-程序员宅基地

文章浏览阅读1k次,点赞4次,收藏3次。React 获取接口数据实现分页效果以拼多多接口为例实现思路加载前 加载动画加载后 判断有内容的时候 无内容的时候用到的知识点1、动画效果(用在加载前,加载之后就隐藏或关闭,用开关效果即可)2、axios请求3、map渲染页面4、分页插件(antd)代码实现import React, { Component } from 'react';//引入axiosimport axios from 'axios';//引入antd插件import { Pagination }_react 分页

随便推点

关于使用CryPtopp库进行RSA签名与验签的一些说明_cryptopp 签名-程序员宅基地

文章浏览阅读449次,点赞9次,收藏7次。这个变量与验签过程中的SignatureVerificationFilter::PUT_MESSAGE这个宏是对应的,SignatureVerificationFilter::PUT_MESSAGE,如果在签名过程中putMessage设置为true,则在验签过程中需要添加SignatureVerificationFilter::PUT_MESSAGE。项目中使用到了CryPtopp库进行RSA签名与验签,但是在使用过程中反复提示无效的数字签名。否则就会出现文章开头出现的数字签名无效。_cryptopp 签名

新闻稿的写作格式_新闻稿时间应该放在什么位置-程序员宅基地

文章浏览阅读848次。新闻稿是新闻从业者经常使用的一种文体,它的格式与内容都有着一定的规范。本文将从新闻稿的格式和范文两个方面进行介绍,以帮助读者更好地了解新闻稿的写作_新闻稿时间应该放在什么位置

Java中的转换器设计模式_java转换器模式-程序员宅基地

文章浏览阅读1.7k次。Java中的转换器设计模式 在这篇文章中,我们将讨论 Java / J2EE项目中最常用的 Converter Design Pattern。由于Java8 功能不仅提供了相应类型之间的通用双向转换方式,而且还提供了转换相同类型对象集合的常用方法,从而将样板代码减少到绝对最小值。我们使用Java8 功能编写了..._java转换器模式

应用k8s入门-程序员宅基地

文章浏览阅读150次。1,kubectl run创建pods[root@master ~]# kubectl run nginx-deploy --image=nginx:1.14-alpine --port=80 --replicas=1[root@master ~]# kubectl get podsNAME READY STATUS REST...

PAT菜鸡进化史_乙级_1003_1003 pat乙级 最优-程序员宅基地

文章浏览阅读128次。PAT菜鸡进化史_乙级_1003“答案正确”是自动判题系统给出的最令人欢喜的回复。本题属于 PAT 的“答案正确”大派送 —— 只要读入的字符串满足下列条件,系统就输出“答案正确”,否则输出“答案错误”。得到“答案正确”的条件是: 1. 字符串中必须仅有 P、 A、 T这三种字符,不可以包含其它字符; 2. 任意形如 xPATx 的字符串都可以获得“答案正确”,其中 x 或者是空字符串,或..._1003 pat乙级 最优

CH340与Android串口通信_340串口小板 安卓给安卓发指令-程序员宅基地

文章浏览阅读5.6k次。CH340与Android串口通信为何要将CH340的ATD+Eclipse上的安卓工程移植到AndroidStudio移植的具体步骤CH340串口通信驱动函数通信过程中重难点还存在的问题为何要将CH340的ATD+Eclipse上的安卓工程移植到AndroidStudio为了在这个工程基础上进行改动,验证串口的数据和配置串口的参数,我首先在Eclipse上配置了安卓开发环境,注意在配置环境是..._340串口小板 安卓给安卓发指令