小想看格桑花
2022-01-25 13:06
采纳率: 100%
浏览 81
已结题

python爬取证监会行政监管措施遭遇 IndexError: list index out of range

需求:
深圳证监会政府公开页面http://www.csrc.gov.cn/shenzhen/ ... gk.shtml?tab=zdgkml
爬取主动公开目录-证监局文种体裁-行政监管措施的842条数据制表

url的发掘:网页内信息变动网址不变,就从开发者工具里找到Request URL
第一页为http://www.csrc.gov.cn/searchLis ... nelName=&page=1
所以程序通过修改“page=”后面的数字实现翻页

但是遭遇了
Traceback (most recent call last):
File "D:\pythonProject\test 行政监管措施爬取.py", line 85, in
main()
File "D:\pythonProject\test 行政监管措施爬取.py", line 19, in main
saveData(datalist,savepath)
File "D:\pythonProject\test 行政监管措施爬取.py", line 77, in saveData
data = datalist
IndexError: list index out of range
不会修改,知识匮乏,请指导

# -*- codeing = utf-8 -*-

from bs4 import BeautifulSoup  # 网页解析,获取数据
import re  # 正则表达式,进行文字匹配`
import urllib.request, urllib.error  # 制定URL,获取网页数据
import xlwt  # 进行excel操作

findLink = re.compile(r'<a href="(.*?)">')  # 创建正则表达式对象
findTitle = re.compile(r'<a title="(.*?)">')
findNumber = re.compile(r'<td class="fwrq">(.*)</td>')
findDate = re.compile(r'<span class="date">(.*)</span>')

def main():
    baseurl = "http://www.csrc.gov.cn/searchList/58959eb1bd68458088cac63f46a5fa40?_isAgg=true&_isJson=true&_pageSize=10&_template=index&_rangeTimeGte=&_channelName=&page="  #要爬取的网页链接
    # 爬取网页
    datalist = getData(baseurl)
    savepath = "深圳证监会行政监管措施.xls"    #当前目录新建XLS,存储进去
    # 保存数据
    saveData(datalist,savepath)
    # saveData2DB(datalist,dbpath)



# 爬取网页
def getData(baseurl):
    datalist = []  #用来存储爬取的网页信息
    for i in range(0, 85):  # 调用获取页面信息的函数,85次
        url = baseurl + str(i)
        html = askURL(url)  # 保存获取到的网页源码
        # 2.逐一解析数据
        soup = BeautifulSoup(html, "html.parser")
        for item in soup.find_all('div', class_="item"):  # 查找符合要求的字符串
            data = []  # 保存一个文件的所有信息
            item = str(item)

            link = re.findall(findLink, item)[0]  # 通过正则表达式查找
            data.append(link)
            title = re.findall(findTitle, item)[0]
            data.append(title)
            number = re.findall(findNumber, item)[0]
            data.append(number)
            date = re.findall(findDate, item)[0]
            data.append(date)
    return datalist


# 得到指定一个URL的网页内容
def askURL(url):
    # 模拟浏览器头部信息,向sz证监会服务器发送消息
    head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36 Edg/97.0.1072.69"
    }
    # 用户代理,表示告诉sz证监会服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)

    request = urllib.request.Request(url, headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")
    except urllib.error.URLError as e:
        if hasattr(e, "code"):
            print(e.code)
        if hasattr(e, "reason"):
            print(e.reason)
    return html


# 保存数据到表格
def saveData(datalist,savepath):
    print("save.......")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
    sheet = book.add_sheet('深圳证监会行政监管措施', cell_overwrite_ok=True) #创建工作表
    col = ("行政监管措施链接","标题","文号","发文日期")
    for i in range(0,4):
        sheet.write(0,i,col)  #列名
    for i in range(0,842):
        # print("第%d条" %(i+1))       #输出语句,用来测试
        data = datalist
        for j in range(0,4):
            sheet.write(i+1,j,data[j])  #数据
    book.save(savepath) #保存


if __name__ == "__main__":  # 当程序执行时
    # 调用函数
     main()
     print("爬取完毕!")

  • 写回答
  • 好问题 提建议
  • 追加酬金
  • 关注问题
  • 邀请回答

3条回答 默认 最新

  • CSDN专家-showbo 2022-01-25 13:40
    最佳回答

    http://www.csrc.gov.cn/searchList/58959eb1bd68458088cac63f46a5fa40?_isAgg=true&_isJson=true&_pageSize=10&_template=index&_rangeTimeGte=&_channelName=&page=
    网址返回的内容是json字符,不需要用bs库

    img

    改下面就可以了,看下注释,注意测试只采集了2个页面

    img

    img

    # -*- codeing = utf-8 -*-
     
    import urllib.request, urllib.error  # 制定URL,获取网页数据
    import xlwt  # 进行excel操作
    import json
     
     
    def main():
        baseurl = "http://www.csrc.gov.cn/searchList/58959eb1bd68458088cac63f46a5fa40?_isAgg=true&_isJson=true&_pageSize=10&_template=index&_rangeTimeGte=&_channelName=&page="  #要爬取的网页链接
        # 爬取网页
        datalist = getData(baseurl)
        savepath = "深圳证监会行政监管措施.xls"    #当前目录新建XLS,存储进去
        # 保存数据
        saveData(datalist,savepath)
        # saveData2DB(datalist,dbpath)
     
     
     
    # 爬取网页
    def getData(baseurl):
        datalist = []  #用来存储爬取的网页信息
        #for i in range(0, 85):  # 调用获取页面信息的函数,85次
        for i in range(0, 2):  ########### 测试,只采集2页
            url = baseurl + str(i)
            html = askURL(url)  # 保存获取到的网页源码
            data=json.loads(html)
            #"行政监管措施链接","标题","文号","发文日期"
            for item in data['data']['results']:
                datalist.append([item['url'],item['title'],item['domainMetaList'][0]['resultList'][9]['value'],item['publishedTimeStr']])
        return datalist
     
     
    # 得到指定一个URL的网页内容
    def askURL(url):
        # 模拟浏览器头部信息,向sz证监会服务器发送消息
        head = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/97.0.4692.99 Safari/537.36 Edg/97.0.1072.69"
        }
        # 用户代理,表示告诉sz证监会服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)
     
        request = urllib.request.Request(url, headers=head)
        html = ""
        try:
            response = urllib.request.urlopen(request)
            html = response.read().decode("utf-8")
        except urllib.error.URLError as e:
            if hasattr(e, "code"):
                print(e.code)
            if hasattr(e, "reason"):
                print(e.reason)
        return html
     
     
    # 保存数据到表格
    def saveData(datalist,savepath):
        print("save.......")
        book = xlwt.Workbook(encoding="utf-8",style_compression=0) #创建workbook对象
        sheet = book.add_sheet('深圳证监会行政监管措施', cell_overwrite_ok=True) #创建工作表
        col = ("行政监管措施链接","标题","文号","发文日期")
        for i in range(0,4):
            sheet.write(0,i,col[i])  #列名###########这里也有问题,列名称应该对应
     
        i=1
        for item in datalist:
            for j in range(0,4):
                sheet.write(i,j,item[j])  #数据
            i+=1
     
     
        book.save(savepath) #保存
     
     
    if __name__ == "__main__":  # 当程序执行时
        # 调用函数
         main()
         print("爬取完毕!")
     
     
    

    img

    评论
    解决 无用
    打赏 举报 编辑记录
查看更多回答(2条)

相关推荐 更多相似问题