项目介绍
中国海洋石油是爬取的第一个企业，之后依次爬取了，国家电网，中国邮政，这三家公司的源码并没有多大难度，
采购信息地址：
国家电网电子商务平台
http://ecp.sgcc.com.cn/project_list.jsp?site=global&column_code=014001001&project_type=1
中国海洋石油集团有限公司
https://buy.cnooc.com.cn/cbjyweb/001/001001/moreinfo.html
中国邮政
http://www.chinapost.com.cn/html1/category/181313/7294-1.htm
项目地址：
https://github.com/code-return/Crawl_faw
实现过程与方法
1.中国海洋石油集团有限公司
中海油的信息页面很友好，并没有多大难度，实现顺序如下：
#获取首页内容
def get_one_page(url):
... #解析网页
def parse_one_page(html):
... #获取最大页码
def getMaxpage(html):
... #获取二级页面的文本内容
def getContent(url):
... #主函数
def main()： url = "https://buy.cnooc.com.cn/cbjyweb/001/001001/moreinfo.html"
html = get_one_page(url)
parse_one_page(html)
page_num = getMaxpage(html)
#拼接翻页的url，并返回翻页的源代码
for i in range(2,page_num + 1):
next_url = url.replace('moreinfo',str(i))
next_html = get_one_page(next_url)
parse_one_page(next_html)
在主函数中需实现翻页爬取的功能，这里通过先获取网页最大页码，然后根据页码设置循环，我们从第二页开始解析网页。
在网页解析函数parse_one_page(html)中，主要实现，获取网页中的标题，发布时间，href，获取该内容之后对数据进行筛选，存储
def time_restrant(date): # 时间判断函数，判断是否当年发布的消息
thisYear = int(datetime.date.today().year)
thisMonth = int(datetime.date.today().month)
thisday = int(datetime.date.today().day)
year = int(date.split('-')[0])
month = int(date.split('-')[1])
day = int(date.split('-')[2])
#if ((thisYear - year <= 1) or (thisYear - year == 2 and month >= thisMonth)): # 爬取24个月内的信息
# if (thisYear == year and month == thisMonth and day == thisday): # 这里是设置时间的地方
#if (thisYear == year and month == thisMonth):
if (thisYear == year):
#if thisYear == year:
return True
else:
return False
def title_restraint(title,car_count, true_count): # 标题判断函数，判断标题中是否有所需要的“车”的内容
global most_kw_arr
global pos_kw_arr
global neg_kw_arr
car_count += 1
if title.find(u"车") == -1: # or title.find(u"采购公告"):
return False,car_count, true_count
else:
#car_count += 1
neg_sign = 0
pos_sign = 0 for neg_i in neg_kw_arr:
if title.find(neg_i) != -1: # 出现了d_neg_kw中的词
neg_sign = 1
break for pos_i in pos_kw_arr:
if title.find(pos_i) != -1: # 出现了d_pos_kw中的词
pos_sign = 1
break if neg_sign == 1:
return False,car_count, true_count
else:
if pos_sign == 0:
return False,car_count, true_count
elif pos_sign == 1:
true_count += 1
return True,car_count, true_count
将数据筛选完毕之后，对数据进行存储
def store(title, date, content, province, url): # 向nbd_message表存储车的信息
title, content = removeSingleQuote(title, content)
sql = "insert into nbd_message (title,time,content,province,href) values('%s','%s','%s','%s','%s')" % (
title, date, content, province, url)
return mySQL("pydb", sql, title, date, province) def store_nbd_log(car_count, true_count, province_file): # 向nbd_spider_log表存储爬取日志信息
sql = "insert into nbd_spider_log (total_num,get_num,pro_name,spider_time) values('%d','%d','%s','%s')" % (
car_count, true_count, province_file,str(datetime.date.today())
流程结束
2.中国邮政
邮政的页面更加单一，但是邮政问题在于，
其每个单位都有单独的链接来展示其不同业务部门的招标信息，经过对比我发现，这个下属部门的首页链接，就差了最后一点不一样，因此我偷了个懒，多加了个循环
def main():
"""
urls中分别对应着集团公司，省邮政分公司，邮政储蓄银行，中邮保险，集团公司直属单位
"""
urls = ['7294-','7331-','7338-','7345-','7360-']
for i in range(0,len(urls)):
strPost = '1.htm'#url后缀
base_url = "http://www.chinapost.com.cn/html1/category/181313/" + str(urls[i])
url = base_url + strPost
html = get_one_page(url)
# print(html)
parse_one_page(html)
page_num = getMaxpage(html)
getMaxpage(html)
for i in range(2,page_num + 1):
next_url = base_url + strPost.replace('1',str(page_num))
next_html = get_one_page(next_url)
parse_one_page(next_html)
邮政完成
3.国家电网
国家电网是我遇到的第一个问题，他的问题在于，在所需要的每个公告里面的href中，给出的不是通常的二级页面链接，而是JavaScript的两个参数，
href=”javascript:void(0);”这个的含义是，让超链接去执行一个js函数，而不是去跳转到一个地址，
而void(0)表示一个空的方法，也就是不执行js函数。
为什么要使用href=”javascript:void(0);”
javascript:是伪协议，表示url的内容通过javascript执行。void(0)表示不作任何操作，这样会防止链接跳转到其他页面。这么做往往是为了保留链接的样式，但不让链接执行实际操作， <a href="javascript：void(0)" onClick="window.open()"> 点击链接后，页面不动，只打开链接 <a href="#" onclick="javascript:return false;"> 作用一样，但不同浏览器会有差异
而二级页面的链接与属性onclick里面的两个数字有关！！！因此我用onclick的两个参数，进行二级页面的拼接，
hrefAttr = selector.xpath("//*[@class='content']/div/table[@class='font02 tab_padd8']/tr/td/a/@onclick")
for i in range(0,len(hrefAttr)):
#获取二级页面的跳转参数，以便进行二级页面url拼接
string = str(hrefAttr[i])
attr1 = re.findall("\d+",string)[0]
attr2 = re.findall("\d+",string)[1]
结语
继续搬砖......