酷应用

Python实现信息自动配对爬虫排版程序

百家作者：AI100 2020-07-21 18:56:54

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。

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：

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。

第三方库介绍

Xlrd库：用来读取和保存Excel表格，更方便读取数据
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
Xlsxwriter库：用来读取和保存Excel表格，其可以更好地保存格式
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。
Re库：正则表达式匹配
Pillow库：读取图片
Urllib库：用来网络爬虫处理
Socket库：数据包处理
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。
Time库：用来每次爬取数据的适当延迟，以防止网站封掉ip。
Os模块：用来本地文件和文件夹的读取和生成等等。

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：

爬取下来的保存部分图片如下：

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")