Python中如何获取高考志愿信息-创新互联
这篇文章给大家分享的是有关Python中如何获取高考志愿信息的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
创新互联公司是一家专业提供新区企业网站建设,专注与成都网站制作、成都做网站、成都h5网站建设、小程序制作等业务。10年已为新区众多企业、政府机构等服务。创新互联专业网络公司优惠进行中。准备工作
首先明确一下任务。首先我们要从网址表格中读取到一大串网址，然后访问每个网址，获取到页面上的学校信息，然后将它们在写到另一个Excel中。显然，我们需要一个爬虫库和一个Excel库来帮助我们完成任务。
第一步自然是安装它们，requests-html是一个非常好用的HTML解析库，拿来做简单的爬虫非常优雅;而openpyxl是一个Excel表格库，可以轻松创建和处理Excel数据。
pip install requests-html openpyxl
然后就是网址表格，大概长这样，总共大概一千七百多条数据。其中有少量网址是错误的，访问会得到404错误，所以在编写代码的时候还要注意错误处理。
任务分析
任务的核心自然就是分析和获取网页内容了。首先现在浏览器里面打开一个网址，看看网页上的内容是什么。
可以看到这个网页格式很乱，学校名字什么的都是混在一起的，一点也不规整，这给我们提取数据造成了不少的麻烦。不过仔细分析之后，其实问题也并不难。
首先要提取的是学校名字，可以看到学校名字和其他文字混在一起，例如"本科一批普通文科627集美大学报考情况"。本来我准备用正则表达式提取，然后发现用正则表达式好像很难。之后我多访问了几个网页，发现学校代码基本上都是数字，如果有字母的话也出现到第一位，所以我采用了以下的算法，首先将字符串从数字处分隔，右边的一个部分就包含了学校名字和“报考情况”几个字，然后删除“报考情况”即可得到学校名字。这个算法唯一的缺点就是，假如出现了字母在中间的代号，就没办法获取到学校名字了，不过实际运行之后，我幸运的发现并没有出现这种情况。
之后要提取的就是专业信息了，在网页源代码中这部分使用tr和td标签来呈现的。一开始我用的是tr加上选择器来提取，但是这个网页生成的时候很有问题，每个tr标签的样式居然还根据内容的多少而不同，导致我写死的选择器没法完美获取所有行。不过后来我发现整个网页内容都是一个表格， 除去表头和结尾的几个固定行之外，剩下的恰好就是要提取的数据行，所以直接获取tr标签，然后切片除去收尾即可。
网页基本上分析完了，下面就是编写代码了。
编写代码
总共50行左右代码，我添加了注释，相信大家应该很容易就可以看懂。
第一部分代码是从网址表格读取所有url，一开始编写的时候，表格里的url是从另一个公式生成的，所以需要在加载的时候添加data_only=True才能读取到公式的结果，否则只能读取到公式本身。
第二部分是创建输出文件，然后编写表头。顺带为了调试方便，我让它如果检测到已经存在目标文件的话就删掉，在建立一个新的。
第三部分就是代码的核心了。Python代码看着可能有点奇怪，不过对照上面的分析，我想大家应该很容易看懂。需要注意保存文件在最后，假如半路代码出现异常，整个就白干了，而一千七百多条网址不可能保证都正常运行。由于输出格式是“学校名+专业信息”这样的格式，所以我获取学校名之后，还要将学校插入到每行专业信息之前。所以我这里索性直接用try-except包起来，如果出错的话只打印一下出错的网址。
import os
from requests_html import HTMLSession
from openpyxl import Workbook, load_workbook
# 从网址表格获取urls
def get_urls():
input_file = 'source.xlsx'
wb = load_workbook(input_file, data_only=True)
ws = wb.active
urls = [row[0] for row in ws.values]
wb.close()
return urls
# 输出Excel文件，如果已存在则删除已有的
out_file = 'data.xlsx'
if os.path.exists(out_file):
os.remove(out_file)
wb = Workbook()
ws = wb.active
# 编写第一行表头
ws['a1'] = '学校'
ws['b1'] = '专业代号'
ws['c1'] = '专业名称'
ws['d1'] = '计划数'
ws['e1'] = '预计1:1录取最低分(投档分)'
ws['f1'] = '按院校投档比例投档线上已报人数'
ws['g1'] = '学费'
ws['h2'] = '办学地点'
ws['i1'] = '专业备注'
# 发起网络请求，解析网页信息，并写入文件
session = HTMLSession()
urls = get_urls()
for url in urls:
import re
page = session.get(url)
page.html.encoding = 'gb2312'
try:
college_info = page.html.xpath('//td[@class="report1_1_1"]/text()', first=True)
college = re.split('\d+', college_info)[1].replace('报考情况', '')
rows = page.html.xpath('//tr')[3:-2]
for r in rows:
info = [x.text for x in r.xpath('//td')]
info.insert(0, college)
ws.append(info)
print(info)
except:
print(url)
# 保存文件
wb.save(out_file)运行结果
好了，费了大半天的劲，代码终于完成了。让我们运行一下看看结果。整个代码大概需要运行7-8分钟，最后完成之后得到了一个500多k的Excel文件。
打开之后，可以发现Excel文件填的满满的，最后总共获取到了大约一万多条数据，任务圆满完成。
python的五大特点是什么
python的五大特点：1.简单易学，开发程序时，专注的是解决问题,而不是搞明白语言本身。2.面向对象，与其他主要的语言如C++和Java相比, Python以一种非常强大又简单的方式实现面向对象编程。3.可移植性，Python程序无需修改就可以在各种平台上运行。4.解释性，Python语言写的程序不需要编译成二进制代码,可以直接从源代码运行程序。5.开源，Python是 FLOSS(自由/开放源码软件)之一。
感谢各位的阅读！关于“Python中如何获取高考志愿信息”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
网站名称：Python中如何获取高考志愿信息-创新互联
文章转载：http://scjbc.cn/article/ccigjg.html
