2018-01-17

from selenium import webdriver
from selenium.webdriver import Firefox
from selenium.webdriver.firefox.options import Options
import requests
from bs4 import BeautifulSoup
import csv
import ssl
import re
import time

ssl._create_default_https_context = ssl._create_unverified_context

def get_newURL(surname):
    if __name__ == "__main__":
        options = Options()
        options.add_argument('-headless')
        global browser
        browser = webdriver.Firefox(executable_path=r"C:\Users\weimengxin\Desktop\geckodriver.exe", firefox_options=options)
        browser.get('http://search.library.sh.cn/jiapu/bSearch.htm')
        input_str = browser.find_element_by_name('expr')
        input_str.send_keys(surname)
        browser.find_element_by_xpath("//*[@value='检索']").click()
        time.sleep(1)
        browser.switch_to.window(browser.window_handles[1])
        global newurl
        newurl = browser.current_url
        browser.quit()


def get_next_page(new_url):
    if __name__ == "__main__":
        options = Options()
        options.add_argument('-headless')
        global browser_1
        browser_1 = webdriver.Firefox(executable_path=r"C:\Users\weimengxin\Desktop\geckodriver.exe", firefox_options=options)
        browser_1.get(new_url)
        browser_1.find_element_by_xpath("//*[@value='下页']").click()
        browser_1.switch_to.window(browser_1.window_handles[0])
        global url_new
        url_new = browser_1.current_url
        browser_1.quit()
        return get_next_page(url_new)




def get_current_data(url):
    session = requests.Session()
    headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_5)"
                             "AppleWebKit 537.36 (KHTML, like Gecko) Chrome",
               "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8"}
    html = session.get(url, headers=headers)
    html.encoding = "GBK"
    html_code = html.text
    bs = BeautifulSoup(html_code, "html.parser")
    content_list = bs.find_all("td")
    content_list_1 = bs.find("H3")

    global data
    data = []
    try:
        for content in content_list:
            content = content.get_text()
            data.append(content)

        for i in data:
            if i == '' or i == '*' or i == ' ':
                data.remove(i)
    except:
        content = content_list_1
        data.append(content)


with open(r"C:\Users\weimengxin\Desktop\surname.csv", "rt") as sur:
    cin = csv.reader(sur)
    surname = [i for i in cin]
    surname_dict = dict(surname)
    surname_dict.pop("")

def get_total_url():
    global urls_dict
    urls_dict = {}
    urls = []
    for t in surname_dict:
        index = surname_dict[t] + "氏"
        print("查询%s第1页数据"%index)
        get_newURL(index)
        urls.append(newurl)

        try:
            print("查询%s第2页数据"%index)
            get_next_page(newurl)
            urls.append(url_new)
        except:
            print("%s仅一页数据!"%index)
            continue


        count = 2
        while True:
            try:
                count += 1
                print("查询%s第%d页数据" % (index, count))
                get_next_page(url_new)
                urls.append(url_new)
            except:
                print("%s收集完毕!"%index)
                urls_dict[index] = urls
            try:
                browser.quit()
                browser_1.quit()
            except:
                continue


# surname_set = {}
# for t in surname_dict:
#     get_newURL(surname_dict[t] + "氏")
#     print("现在自动检索" + surname_dict[t] + "氏数据")
#     print("-------------------------------------")
#     get_current_data(newurl)
#     all_data = data.copy()
#
#     # 计算需要爬取的网页数
#     try:
#         total = all_data[1]
#         pattern = re.compile('[0-9]+')
#         match = pattern.search(total)
#         total_true = int(match.group())
#         sheets = total_true//10 + 1
#     except:
#         print("Notice: 本次检索未命中记录!")
#         continue
#     print("正在获取第1页数据... (总共%d页)" % sheets)
#
#     try:
#         get_next_page(newurl)
#         print("正在获取第2页数据... (总共%d页)" % sheets)
#         get_current_data(url_new)
#         all_data.extend(data)
#     except:
#         print("Notice: 仅1页数据")
#         surname_set[surname_dict[t]] = all_data
#         browser_1.close()
#         continue
#
#     count = 2
#     while True:
#         try:
#             get_next_page(url_new)
#             get_current_data(url_new)
#             count += 1
#             print("正在获取第%d的数据... (总共%d页)" % (count, sheets))
#             all_data.extend(data)
#         except:
#             surname_set[surname_dict[t]] = all_data
#             break
#     print("爬取" + surname_dict[t] + "氏完成 !!!")
#     print("--------------------------")
#     continue

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 198,932评论 5 466
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 83,554评论 2 375
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 145,894评论 0 328
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 53,442评论 1 268
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 62,347评论 5 359
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 47,899评论 1 275
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,325评论 3 390
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,980评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,196评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,163评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,085评论 1 328
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,826评论 3 316
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,389评论 3 302
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,501评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,753评论 1 255
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,171评论 2 344
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 41,616评论 2 339

推荐阅读更多精彩内容