python实战计划:爬取赶集网

Date:2016-10-15
By:Black Crow

前言:

本次作业为第二周大作业。
作业思路分为三部分:第一部分是爬取版块,第二部分爬取单个版块内的产品链接,第三部分是通过产品链接爬取产品详情。

作业效果:

产品详情.png

我的代码:

20161015代码PART1:爬取页面

from bs4 import BeautifulSoup
import requests
from pymongo import MongoClient
client =MongoClient('localhost',27017)
ganji = client['ganji']
page_urls =ganji['page_urls']
def get_page_list():
page = 'http://bj.ganji.com/wu/'
path = 'http://bj.ganji.com/'
wb_data = requests.get(page)
wb_data.encoding = 'utf-8'
soup = BeautifulSoup(wb_data.text, 'lxml')
page_lists = soup.select('dd > a:nth-of-type(1)')
# page_url_lists = []
for page_list in page_lists:
page_name = page_list.get('href').split('/')[1]
# print(page_name)
page_url = path + page_name
if page_name == 'zibubaojian':
pass
else:
page_urls.insert_one({'url':page_url})
# print(page_url)
get_page_list()


#####20161015代码PART2:爬取产品链接
>```
from bs4 import BeautifulSoup
from multiprocessing import Pool
import requests,time
# from content import list#从另外一个文件中导入,须保证为同一文件夹下,后面修改为从数据库调取
from pymongo import MongoClient
client =MongoClient('localhost',27017)
ganji = client['ganji']
page_urls = ganji['page_urls']
product_list =ganji['product_list1']
def counter(i=[0]):
    next = i[-1] + 1
    i.append(next)
    return i[-1]
def get_product_urls(channel,page):
    page_url ='{}/o{}/'.format(channel,str(page))#page记得转为str
    page_data =requests.get(page_url)
    page_soup =BeautifulSoup(page_data.text,'lxml')
    product_urls = page_soup.select('td.t > a')
    for product_url in product_urls:
        url =product_url.get('href').split('?')[0]#shtml后面有一大串字符,可以删掉
        if url == None:#抓不到就跳过
            pass
        else:
            product_list.insert_one({'url':url})#应该以规范的格式传到数据库中,否则会报错
            print(counter())
            time.sleep(1)
#单线程的代码
# def get_list():
#     for item in list:
#         for i in range(1, 100):
#             get_product_urls(item,i)
#             time.sleep(1)
def get_list(channel):
    for i in range(1,100):
        get_product_urls(channel,i)
if __name__ == '__main__':
  list =[]
  for item in page_urls.find():
      list.append(item['url'])
      # print(type(list))
  pool = Pool()
  # pool = Pool(processes=6)
  pool.map(get_list,list)#第二个参数是list
20161015代码PART3:爬取产品详情

from bs4 import BeautifulSoup
from multiprocessing import Pool
import requests,time
from pymongo import MongoClient
client =MongoClient('localhost',27017)
ganji = client['ganji']
page_urls = ganji['page_urls']
product_list =ganji['product_list']
product_info = ganji['product_info']

url = 'http://zhuanzhuan.ganji.com/detail/783666465658650628z.shtml'

def counter(i=[0]):
next = i[-1] + 1
i.append(next)
return i[-1]
def get_product_info(url):
wb_data =requests.get(url)
soup =BeautifulSoup(wb_data.text,'lxml')
titles = soup.select('h1')
now_prices = soup.select('div.price_li > span > i')
original_prices = soup.select('b.price_ori')
areas = soup.select('div.palce_li > span > i')
seller_names =soup.select('p.personal_name')
# print(seller_names)
for title,now_price,original_price,
area,seller_name in zip(titles,now_prices,
original_prices,areas,seller_names):
data ={
'title':title.get_text(),
'now_price':now_price.get_text(),
'original_price':original_price.get_text(),
'area':area.get_text(),
'seller_name':seller_name.get_text(),
'url':url
}
# print(data)
product_info.insert_one(data)
print(counter())
time.sleep(1)
if name == 'main':
list =[]
for item in product_list.find():
list.append(item['url'])
# print(type(list))
pool = Pool()

pool = Pool(processes=6)

pool.map(get_product_info,list)#第二个参数是list


####总结:
>1. pool()函数添加进去了,比单进程要快很多,但怕被封,还是设置了暂停时间;
2. pool()函数第二个参数是list,直接从数据库提取出来的数据暂时不知道如何表达,所以直接是添加到了一个list里面,后面再看是否有更简单的表达;
3. 调用pool函数的时候前面的参数传导一定要确保正确,本次作业在数据库插入部分坑了好久,好在后来找出了问题。
4. 爬了6万条,数据里有重复,还得查阅和解决MongoDB查重的问题。
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 199,440评论 5 467
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 83,814评论 2 376
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 146,427评论 0 330
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 53,710评论 1 270
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 62,625评论 5 359
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,014评论 1 275
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,511评论 3 390
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,162评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,311评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,262评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,278评论 1 328
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,989评论 3 316
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,583评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,664评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,904评论 1 255
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,274评论 2 345
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 41,856评论 2 339

推荐阅读更多精彩内容