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
510f029c
提交
510f029c
authored
8月 31, 2024
作者:
XveLingKun
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
国务院问答对处理
上级
0b43a864
隐藏空白字符变更
内嵌
并排
正在显示
1 个修改的文件
包含
85 行增加
和
0 行删除
+85
-0
get_html.py
国务院问答对处理/get_html.py
+85
-0
没有找到文件。
国务院问答对处理/get_html.py
0 → 100644
浏览文件 @
510f029c
# coding=utf-8
# coding=utf-8
import
time
import
pandas
as
pd
import
pymongo
from
bs4
import
BeautifulSoup
from
selenium
import
webdriver
from
selenium.webdriver.chrome.options
import
Options
from
typing
import
Tuple
db_storage
=
pymongo
.
MongoClient
(
'mongodb://114.115.221.202:27017/'
,
username
=
'admin'
,
password
=
'ZZsn@9988'
)
.
ZZSN
[
'国务院问答对'
]
def
get_html
(
url
:
str
)
->
str
:
chrome_options
=
Options
()
chrome_options
.
add_argument
(
"--mute-audio"
)
chrome_options
.
add_argument
(
"--headless"
)
chrome_options
.
add_argument
(
"--disable-gpu"
)
chrome_options
.
binary_location
=
r'D:\Google\Chrome\Application\chrome.exe'
"""
opt.binary_location = r'D:
\
Google
\
Chrome
\
Application
\
chrome.exe'
chromedriver = r'D:
\
cmd100
\
chromedriver.exe'
"""
try
:
browser
=
webdriver
.
Chrome
(
# executable_path="./chromedriver-linux64/chromedriver",
executable_path
=
r"D:\cmd100\chromedriver.exe"
,
options
=
chrome_options
)
# max loading time
browser
.
set_page_load_timeout
(
30
)
browser
.
set_script_timeout
(
30
)
browser
.
get
(
url
)
time
.
sleep
(
2
)
text
=
browser
.
page_source
except
Exception
as
e
:
print
(
f
"Error: {e}"
)
text
=
""
finally
:
browser
.
quit
()
return
text
def
parse_html
(
html
:
str
)
->
Tuple
[
str
,
str
]:
soup
=
BeautifulSoup
(
html
,
"html.parser"
)
# 提取问题
question
=
soup
.
find
(
"h2"
)
.
get_text
(
strip
=
True
)
# 提取答案
answer_paragraphs
=
soup
.
find
(
"div"
,
class_
=
"detail-content"
)
.
find_all
(
"p"
)
answer
=
"
\n
"
.
join
([
p
.
get_text
(
strip
=
True
)
for
p
in
answer_paragraphs
if
p
.
get_text
(
strip
=
True
)
])
return
question
,
answer
if
__name__
==
"__main__"
:
# 通过读取表格获取链接
df
=
pd
.
read_excel
(
"国务院政府问答对.xlsx"
,
sheet_name
=
"Sheet1"
)
urls
=
df
[
"Url"
]
.
tolist
()
for
url
in
urls
:
try
:
# url = "http://bmfw.www.gov.cn/zcdwpt/index.html#/detail?id=30361"
print
(
f
'当前处理链接:{url}'
)
html
=
get_html
(
url
)
question
,
answer
=
parse_html
(
html
)
print
(
question
)
# print(answer)
# 将问答对存储到mongo中
dic
=
{
"问题"
:
question
,
"答案"
:
answer
,
}
db_storage
.
insert_one
(
dic
)
except
:
print
(
"--------------处理失败---------------"
)
continue
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