Skip to content
项目
群组
代码片段
帮助
当前项目
正在载入...
登录 / 注册
切换导航面板
Z
zzsn_spider
概览
概览
详情
活动
周期分析
版本库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
统计图
问题
0
议题
0
列表
看板
标记
里程碑
合并请求
1
合并请求
1
CI / CD
CI / CD
流水线
作业
日程表
图表
维基
Wiki
代码片段
代码片段
成员
成员
折叠边栏
关闭边栏
活动
图像
聊天
创建新问题
作业
提交
问题看板
Open sidebar
丁双波
zzsn_spider
Commits
01e0d716
提交
01e0d716
authored
8月 25, 2023
作者:
薛凌堃
浏览文件
操作
浏览文件
下载
差异文件
Merge remote-tracking branch 'origin/master'
上级
32c31bd1
8be2a4ec
全部展开
隐藏空白字符变更
内嵌
并排
正在显示
7 个修改的文件
包含
45 行增加
和
2 行删除
+45
-2
BaseCore.py
base/BaseCore.py
+10
-2
雅虎财经_企业基本信息_高管信息.py
comData/yhcj/雅虎财经_企业基本信息_高管信息.py
+0
-0
googleSpider.py
google_comm/googleSpider.py
+34
-0
sougouSpider.py
sougou_comm/sougouSpider.py
+1
-0
__init__.py
tmp/__init__.py
+0
-0
__init__.py
tmp/usVsRussia/__init__.py
+0
-0
ofac.py
tmp/usVsRussia/ofac.py
+0
-0
没有找到文件。
base/BaseCore.py
浏览文件 @
01e0d716
...
...
@@ -369,7 +369,7 @@ class BaseCore:
if
beginStr
==
''
:
pass
else
:
begin
=
str
.
find
(
beginStr
)
begin
=
str
.
r
find
(
beginStr
)
if
begin
==-
1
:
begin
=
0
str
=
str
[
begin
:]
...
...
@@ -425,11 +425,18 @@ class BaseCore:
IP
=
socket
.
gethostbyname
(
socket
.
gethostname
())
return
IP
def
mkPath
(
self
,
path
):
folder
=
os
.
path
.
exists
(
path
)
if
not
folder
:
# 判断是否存在文件夹如果不存在则创建为文件夹
os
.
makedirs
(
path
)
# makedirs 创建文件时如果路径不存在会创建这个路径
else
:
pass
# 生成google模拟浏览器 必须传入值为googledriver位置信息
# headless用于决定是否为无头浏览器,初始默认为无头浏览器
# 正常浏览器可用于开始对页面解析使用或一些网站无头时无法正常采集
# 无头浏览器用于后续对信息采集时不会有浏览器一直弹出,
def
buildDriver
(
self
,
path
,
headless
=
True
):
service
=
Service
(
path
)
chrome_options
=
webdriver
.
ChromeOptions
()
if
headless
:
...
...
@@ -442,7 +449,7 @@ class BaseCore:
chrome_options
.
add_argument
(
'user-agent='
+
self
.
getRandomUserAgent
())
# 'user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36')
driver
=
webdriver
.
Chrome
(
chrome_
options
=
chrome_options
,
service
=
service
)
driver
=
webdriver
.
Chrome
(
options
=
chrome_options
,
service
=
service
)
# with open(r'F:\zzsn\zzsn_spider\base\stealth.min.js') as f:
# js = f.read()
#
...
...
@@ -586,3 +593,4 @@ class BaseCore:
comData/yhcj/雅虎财经_企业基本信息_高管信息.py
浏览文件 @
01e0d716
差异被折叠。
点击展开。
google_comm/googleSpider.py
浏览文件 @
01e0d716
from
urllib.parse
import
urljoin
import
langid
import
pymysql
...
...
@@ -407,12 +408,45 @@ class GoogleSpider(object):
else
:
break
# time.sleep(5)
def
rmTagattr
(
self
,
html
,
url
):
# 使用BeautifulSoup解析网页内容
# soup = BeautifulSoup(html, 'html.parser')
soup
=
self
.
paserUrl
(
html
,
url
)
# 遍历所有标签,并去掉属性
for
tag
in
soup
.
find_all
(
True
):
if
tag
.
name
==
'img'
:
tag
.
attrs
=
{
key
:
value
for
key
,
value
in
tag
.
attrs
.
items
()
if
key
==
'src'
}
elif
tag
.
name
!=
'img'
:
tag
.
attrs
=
{
key
:
value
for
key
,
value
in
tag
.
attrs
.
items
()
if
key
==
'src'
}
else
:
tag
.
attrs
=
{
key
:
value
for
key
,
value
in
tag
.
attrs
.
items
()}
# 打印去掉属性后的网页内容
# print(soup.prettify())
html
=
soup
.
prettify
()
return
html
# 将html中的相对地址转换成绝对地址
def
paserUrl
(
self
,
html
,
listurl
):
soup
=
BeautifulSoup
(
html
,
'html.parser'
)
# 获取所有的<a>标签和<img>标签
links
=
soup
.
find_all
([
'a'
,
'img'
])
# 遍历标签,将相对地址转换为绝对地址
for
link
in
links
:
if
'href'
in
link
.
attrs
:
link
[
'href'
]
=
urljoin
(
listurl
,
link
[
'href'
])
elif
'src'
in
link
.
attrs
:
link
[
'src'
]
=
urljoin
(
listurl
,
link
[
'src'
])
return
soup
#获取资讯内容信息
def
getDetailmsg
(
self
,
detailmsg
):
try
:
detailurl
=
detailmsg
[
'detailUrl'
]
title
=
detailmsg
[
'title'
]
content
,
contentWithTag
=
self
.
extractorMsg
(
detailurl
,
title
)
contentWithTag
=
self
.
rmTagattr
(
contentWithTag
)
except
Exception
as
e
:
content
=
''
contentWithTag
=
''
...
...
sougou_comm/sougouSpider.py
浏览文件 @
01e0d716
...
...
@@ -122,6 +122,7 @@ class SougouSpider(object):
"user-agent"
:
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"
}
# url = 'https://www.sogou.com/link?url=hedJjaC291NbWrwHYHKCyPQj_ei8OKC13fJZ5YRQyvgjcXe6RUhCEXfbi95UdEys0ztd7q5nl6o.'
url
=
f
"https://www.sogou.com{url}"
res
=
requests
.
get
(
url
,
headers
=
header
)
text
=
res
.
text
# 定义正则表达式
...
...
tmp/__init__.py
0 → 100644
浏览文件 @
01e0d716
tmp/usVsRussia/__init__.py
0 → 100644
浏览文件 @
01e0d716
tmp/usVsRussia/ofac.py
0 → 100644
浏览文件 @
01e0d716
差异被折叠。
点击展开。
编写
预览
Markdown
格式
0%
重试
或
添加新文件
添加附件
取消
您添加了
0
人
到此讨论。请谨慎行事。
请先完成此评论的编辑!
取消
请
注册
或者
登录
后发表评论