<返回更多

Python 实现信息自动配对爬虫排版程序

2020-07-22    
加入收藏
Python 实现信息自动配对爬虫排版程序

作者 | 李秋键

责编 | 晋兆雨

头图 | CSDN付费下载自视觉中国

在很多的公司项目中,常常有很多对office项目的比较机械化的操作,在这里就可以借助Python实现对office的合理排版。而这里我们就将借助海尔公司的出货表爬取对应图片信息,并重新排版成为更加合理的Excel布局。

而今天我们这个项目是来自于实际生活中真实存在的处理事件。海尔在国外的员工常常要处理一些进出货的表格统计,但是由于国外人很多不大精通汉字,故常常要通过给出的汉字在网上搜索图片,然后复制到表格中以方便国外人能看懂是什么货物,并加上拼音有助于理解。相对以往而言,由于货物清单任务量很大,常常需要大量时间人力而且容易出错,故我们这里设计了个程序使得这一项任务完全可以由电脑自动完成,不仅速度极快,而且不需要浪费人力和精力,提高了生产效率。

Python 实现信息自动配对爬虫排版程序

 

实验前的准备

其中海尔给出的货物清单的Excel在4.xlsx中,数据如下:

Python 实现信息自动配对爬虫排版程序Python 实现信息自动配对爬虫排版程序

代码总体框架

整体的程序框架分为两个重要部分。一个部分是用来爬取数据,另一个用来排版成美观的Excel。如下详解:

1 爬取数据并保存

如download.py程序可见。

首先我们流程是从Excel读取数据、然后借助百度图库搜索图片,并爬取保存。

2 Excel排版和拼音注释

如xls.py可见。根据下载下来的图片和文字及其拼音保存排版。

Python 实现信息自动配对爬虫排版程序

第三方库介绍

  1. Xlrd库:用来读取和保存Excel表格,更方便读取数据

  2. Pypinyin库:用来把汉字转为拼音,这里我们需要将它准成有音素的拼音

  3. Xlsxwriter库:用来读取和保存Excel表格,其可以更好地保存格式

  4. Requests库:Requests 是用Python语言编写,基于 urllib,采用Apache2 Licensed 开源协议的 HTTP 库。它比 urllib 更加方便,可以节约我们大量的工作,完全满足 HTTP 测试需求。

  5. Re库:正则表达式匹配

  6. Pillow库:读取图片

  7. Urllib库:用来网络爬虫处理

  8. Socket库:数据包处理

  9. Openpyx库l:openpyxl是一款比较综合的工具,不仅能够同时读取和修改Excel文档,而且可以对Excel文件内单元格进行详细设置,包括单元格样式等内容,甚至还支持图表插入、打印设置等内容,使用openpyxl可以读写xltm, xltx, xlsm, xlsx等类型的文件,且可以处理数据量较大的Excel文件,跨平台处理大量数据是其它模块没法相比的。因此,openpyxl成为处理Excel复杂问题的首选库函数。在使用openpyxl前先要掌握三个对象,即:Workbook(工作簿)、Worksheet(工作表)和Cell(单元格,存储具体的数据对象)三个对象。

  10. Time库:用来每次爬取数据的适当延迟,以防止网站封掉ip。

  11. Os模块:用来本地文件和文件夹的读取和生成等等。

Python 实现信息自动配对爬虫排版程序

代码

在download程序中,首先是根据给出的Excel表读取数据,代码如下:

首先是设置编码格式和导入所要使用到的库:

#encoding=utf-8importxlrdfrompypinyin import lazy_pinyin,pinyinimportxlsxwriterimportrequestsimport osimport refrom PILimport Imageimporttimefromurllib import requestfromurllib import errorimportrandomimportsocket

接着设立文件名变量方便保存和读取。设立爬虫包的延迟时间为20s。

#改文件名的地方excel_address="4.xlsx"socket.setdefaulttimeout(20)

为了防止反爬的问题,设立请求头

header ={'User-Agent': 'Mozilla/5.0 (windows NT 10.0; WOW64) AppleWebKit/537.36 (Khtml,like Gecko) Chrome/63.0.3239.132 Safari/537.36'}

接着使用xlrd库读取Excel表格,按照列对象读取数据

workbook= xlrd.open_workbook(excel_address)sheet =workbook.sheet_by_name("Sheet1")col0 =sheet.col_values(0) # 获取第1列内容,序号那一列col1 =sheet.col_values(1)# 获取第2列内容,物资名称那一列col2=sheet.col_values(2)#获取第3列内容,型号规格那一列col3=sheet.col_values(3)col4=sheet.col_values(4)col5=sheet.col_values(5)

使用lazy_pinyin函数将汉字转为拼音,同时保留了音素并保存:

for i in col1: i=lazy_pinyin(i) txt="" for w in i: txt+=w+" " yin.append(txt)print(yin)

 

根据百度图片搜索图片并爬取保存。其中为了防止网

页延迟等问题,通过多次尝试爬取合适的图片:

numm=for i in range(len(col0)): print("完成了"+str((i/len(col0))*100)+"%

 

判断读取到的数据是否是数字,因为其中有些数据是

空格等等多余的无效数据:

 if isinstance(col0[i],float): numm.append(i) t=col1[i]+col2[i] print(t) url = 'http://image.baidu.com/search/flip?tn=baiduimage&ie=utf-8&word=' + t + '&ct=201326592&v=flip' result = requests.get(url, headers=header) pic_url = re.findall('"objURL":"(.*?)",', result.text, re.S) num=1 for each in range(len(pic_url)): print('正在下载第' + str(num) + '张图片,图片地址:' + str(pic_url[each])) try: pic = requests.get(pic_url[each], timeout=2,headers=header)

 

保存爬取下来的图片至对应的文件夹中,文件夹名为

对应行的序号。然后设置爬取下来的图片尺寸为300

并保存:

 if not os.path.exists("image/"+str(i)): os.makedirs("image/"+str(i)) dir = "image/"+str(i)+"/" + str(num) + '.jpg' fp = open(dir, 'wb') fp.write(pic.content) fp.close try: img = Image.open("image/" +str(i)+"/" + str(num) + '.jpg') img.resize((300, 300)).save("image/" +str(i)+"/" + str(num) + '.jpg') except: pass num += 1 if num == 5: print("下一个。") result.close break except : print('【换资源中。。。】') continue

 

每个货物名称只需要下载爬取四个图片即可:

 if num == 5: print("下一个。") result.close time.sleep(random.randint(0,3)) break

 

其中download.py运行效果如下:


 
Python 实现信息自动配对爬虫排版程序

爬取下来的保存部分图片如下:

Python 实现信息自动配对爬虫排版程序

接着使用xls.py进行排版。因为这里我们使用xlrd排版

时发现保存的Excel格式都失效了,故需要借助

openpyxl库进行原有格式的保存和处理,即保存为

新的Excel为8.xlsx。

import osimport xlrdfrom pypinyin import lazy_pinyin,pinyinfrom openpyxl import load_workbookfrom openpyxl.drawing.image import Image#改文件名的地方excel_address="4.xlsx"wb = load_workbook(excel_address)wb.save("8.xlsx")workbook = xlrd.open_workbook(excel_address)sheet1 = workbook.sheet_by_name("Sheet1")wb = load_workbook('8.xlsx')sheet = wb.get_sheet_by_name('Sheet1')sht = wb.worksheets[0]col0 = sheet1.col_values(0) #获取第1列内容,序号那一列col1 = sheet1.col_values(1)#获取第2列内容,物资名称那一列col2=sheet1.col_values(2)#获取第3列内容,型号规格那一列col3=sheet1.col_values(3)col4=sheet1.col_values(4)col5=sheet1.col_values(5)

 

根据Excel表格单元填充进拼音:

for i in range(len(col0)): sht.row_dimensions[i].height = 150.0 if isinstance(col0[i], float): sheet["G"+str(i+1)].value=yin[i]

 

接着根据已经保存下来的爬取到的图片依次按照布局

顺序进行填充,同时还要设定一定的图片尺寸,以保

证布局的美观和合理:

for i in os.listdir("image"): for j in os.listdir("image/"+i): tw="image/"+i+"/"+j label=j.split(".") label=label[0]

 

根据label对象的数据判断对应序号,根据序号判断对

应图片存放的文件夹位置,然后读取图片并复制到

Excel表格中:

 if int(label)==1: try: img_address_2 = "image/" +i+"/"+ str(label) + '.jpg'

 

使用openpyxl中的image函数读取图片


 
 img = Image(img_address_2)

设置图片的长宽为200,统一尺寸以方便布局

 img.width = 200.0 img.height = 200.0

 

通过单元格添加图片即可达到插入图片的效果


 
 sht.add_image(img, 'J'+str(int(i)+1))

如果没有合理的找到对应图片就跳过:

 except: pass if int(label)==2: try: img_address_2 = "image/" +i+"/"+ str(label) + '.jpg' img = Image(img_address_2) img.width = 200.0 img.height = 200.0 sht.add_image(img, 'M'+str(int(i)+1)) except: pass if int(label)==3: try: img_address_2 = "image/" +i+"/"+ str(label) + '.jpg' img = Image(img_address_2) img.width = 200.0 img.height = 200.0 sht.add_image(img, 'P'+str(int(i)+1)) except: pass if int(label)==4: try: img_address_2 = "image/" +i+"/"+ str(label) + '.jpg' img = Image(img_address_2) img.width = 200.0 img.height = 200.0 sht.add_image(img, 'S'+str(int(i)+1)) except: passwb.save("dels.xlsx")

 

最终得到的排版程序如下可见:


 
Python 实现信息自动配对爬虫排版程序

由此可见通过python的office操作和网络搜索自动爬取排版可以极大地节省人力和时间。

作者介绍:

李秋键,CSDN 博客专家,CSDN达人课作者。硕士在读于中国矿业大学,开发有taptapAndroid/ target=_blank class=infotextkey>安卓武侠游戏一部,vip视频解析,文意转换工具,写作机器人等项目,发表论文若干,多次高数竞赛获奖等等。

源码地址:

链接:

https://pan.baidu.com/s/1Rtl3zoQRhKeRstgnl1firw

提取码:wk2z

声明:本站部分内容来自互联网,如有版权侵犯或其他问题请与我们联系,我们将立即删除或处理。
▍最近更新
更多资讯 >>>