Python实战计划学习笔记:week2 爬取赶集网10万级别数据

Python爬虫学习第二周,爬取赶集网二手市场的10万商品数据。

代码:

extract.py

#!/usr/bin/env python
# coding: utf-8

from bs4 import BeautifulSoup
import requests

start_url ='http://bj.ganji.com/wu/'
url_host = 'http://bj.ganji.com'

page_urls = []

headers = {
    'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept-Encoding':'gzip, deflate, sdch',
    'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.6,en;q=0.4',
    'Cookie':'ganji_login_act=1468029432459; citydomain=bj; __utmt=1; __utma=32156897.1612008533.1468029433.1468029433.1468029433.1; __utmb=32156897.1.10.1468029433; __utmc=32156897; __utmz=32156897.1468029433.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); ganji_xuuid=63e81818-41ad-4dc4-e480-1821d31a98d3.1468029433479; ganji_uuid=9925341361394064405299; _gl_tracker=%7B%22ca_source%22%3A%22-%22%2C%22ca_name%22%3A%22-%22%2C%22ca_kw%22%3A%22-%22%2C%22ca_id%22%3A%22-%22%2C%22ca_s%22%3A%22self%22%2C%22ca_n%22%3A%22-%22%2C%22ca_i%22%3A%22-%22%2C%22sid%22%3A35833616222%7D',
    'Host':'bj.ganji.com',
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36'
}

def get_channel_urls(url):
    wb_data = requests.get(url,headers = headers)
    if wb_data.status_code == 200:
        Soup = BeautifulSoup(wb_data.text,'lxml')
        urls = Soup.select('dl.fenlei dt > a')
        for url in urls:
            page_urls.append(url_host+url.get('href'))
            print(url_host+url.get('href'))
        return page_urls
    else:
        return


#爬取的页码
channel_list = '''
    http://bj.ganji.com/jiaju/
    http://bj.ganji.com/rirongbaihuo/
    http://bj.ganji.com/shouji/
    http://bj.ganji.com/shoujihaoma/
    http://bj.ganji.com/bangong/
    http://bj.ganji.com/nongyongpin/
    http://bj.ganji.com/jiadian/
    http://bj.ganji.com/ershoubijibendiannao/
    http://bj.ganji.com/ruanjiantushu/
    http://bj.ganji.com/yingyouyunfu/
    http://bj.ganji.com/diannao/
    http://bj.ganji.com/xianzhilipin/
    http://bj.ganji.com/fushixiaobaxuemao/
    http://bj.ganji.com/meironghuazhuang/
    http://bj.ganji.com/shuma/
    http://bj.ganji.com/laonianyongpin/
    http://bj.ganji.com/xuniwupin/
    http://bj.ganji.com/qitawupin/
    http://bj.ganji.com/ershoufree/
    http://bj.ganji.com/wupinjiaohuan/
'''
#get_channel_urls(start_url)

page_parsing.py

#!/usr/bin/env python
# coding: utf-8

from bs4 import BeautifulSoup
import requests
import time
import pymongo
import random

#create the database

client = pymongo.MongoClient('localhost',27017)
ganji = client['ganji']        #table:ganji
url_list = ganji['url_list']   #name:商品url列表
item_info = ganji['item_info'] #sheet:商品详情页



'''
# http://cn-proxy.com/
proxy_list = [
    '218.202.111.10:80',
    '115.231.162.216:3128',
    '119.29.232.113:3128',
    ]
# 随机获取代理ip
proxy_ip = random.choice(proxy_list)
proxies = {'http': proxy_ip}

'''
# 'o':个人 'a':商家
def get_links_from(channel,pages,who_sells='o'):

    headers = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
    'Accept - Encoding': 'gzip, deflate, sdch',
    'Accept - Language': 'zh - CN, zh;q = 0.8, en;q = 0.6',
    'Cache - Control': 'max - age = 0',
    'Connection': 'keep - alive'
    }

    list_view = '{}{}{}/'.format(channel,who_sells, str(pages))
    wb_data = requests.get(list_view, headers=headers)
    i = random.randrange(0,3)
    time.sleep(i)

    # 检查页面是否不存在,或者被封ip
    if wb_data.status_code == 200:
        Soup = BeautifulSoup(wb_data.text, 'lxml')
        links = Soup.select('.js-item > a')
        if Soup.find('ul','pageLink'):  #用来判断边界条件
            for link in links:
                item_link = link.get('href')
                headers = requests.head(item_link, allow_redirects=False).headers
                if headers['Server'] == 'nginx':
                    item_link = headers['Location']
                    url_list.insert_one({'url': item_link})
                else:
                    url_list.insert_one({'url': item_link})
                    pass
                get_item_info_from(item_link)
        else:
            pass # last page


def get_item_info_from(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept - Encoding': 'gzip, deflate, sdch',
        'Accept - Language': 'zh - CN, zh;q = 0.8, en;q = 0.6',
        'Cache - Control': 'max - age = 0',
        'Connection': 'keep - alive'
    }
    wb_data = requests.get(url, headers=headers)
    if wb_data.status_code != 200:
        return
    soup = BeautifulSoup(wb_data.text, 'lxml')
    no_longer_exist = soup.find('div', 'error')
    if no_longer_exist:
        pass
    else:
        prices = soup.select('.f22.fc-orange.f-type')                   #价格
        pub_dates = soup.select('.pr-5')                                #发布时间
        areas = soup.select('ul.det-infor > li:nth-of-type(3) > a')     #地点
        cates = soup.select('ul.det-infor > li:nth-of-type(1) > span')  #类型
        data = {
            'title': soup.title.text.strip(),
            'price': prices[0].text.strip() if len(prices) > 0 else 0,
            'pub_date': pub_dates[0].text.strip().split(' ')[0] if len(pub_dates) > 0 else "",
            'area': [area.text.strip() for area in areas if area.text.strip() != "-"],
            'cates': [cate.text.strip() for cate in cates],
            'url':url
        }
        #print(data)
        item_info.insert_one(data)

#get_item_info_from('http://bj.ganji.com/shouji/2215881032x.htm')

main.py

from multiprocessing import Pool
from page_parsing import get_item_info_from, url_list, item_info, get_links_from
from extract import channel_list


def get_all_links_from(channel):
     for i in range(1, 100):#100
         get_links_from(channel, i)

if __name__ == '__main__':
    pool = Pool()
    pool.map(get_all_links_from, channel_list.split())

    #断点续传  //搜索在url_list中剩下的url
    db_urls = [item['url'] for item in url_list.find()]
    index_urls = [item['url'] for item in item_info.find()]
    x = set(db_urls)
    y = set(index_urls)
    rest_of_urls = x-y
    pool.map(get_item_info_from,rest_of_urls)

count.py

import time
from page_parsing import url_list


while True:
    print(url_list.find().count())
    time.sleep(5)

总结

  • 大规模数据的爬取之前应该做好爬虫工作流程的设计,设计多个爬虫,分别负责URL链接和每个链接的详情页的爬取。同时设计数据库两个sheet,一个用来存放URL,另一个用来存放商品详情。

  • 爬取测试过程中,有一些网页进行了重定向,用requests的head方法可以获取响应头,通过响应头中的'location'可以获得真实的URL,通过设置请求参数allow_redirects=True可以启用重定向,默认情况下是禁用的。
    类似于这样的(未补全网页)http://biz.click.ganji.com/bizClickurl=pZwY0jCfsvFJshI6UhGGshPfUiqJpy

  • 提高爬取效率,可以使用多线程和多进程。使用多进程的前提是拥有足够的CPU,因为一个进程会占用一个CPU。对于单核系统,只能使用多线程爬取。

  • 在抓取过程中遇到网络问题而导致程序终止的时候,需要设计断点续传功能保证数据库中抓取的数据不会重复。设计思路是存储商品详情的同时增加一个字段,存储每个商品的URL,如果程序中断,则将所有链接与商品详情表中已抓取链接做差集,抓取剩下的链接。

由于实验室流量限制,没有全爬下来,爬取了部分截图如下,作业做好后参考了下课后视频讲解,使用代理来进行爬取。添加进requests.get()里面。

'''
# http://cn-proxy.com/
proxy_list = [
    '218.202.111.10:80',
    '115.231.162.216:3128',
    '119.29.232.113:3128',
    ]
# 随机获取代理ip
proxy_ip = random.choice(proxy_list)
proxies = {'http': proxy_ip}
'''
result.png
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 206,968评论 6 482
  • 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 88,601评论 2 382
  • 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 153,220评论 0 344
  • 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 55,416评论 1 279
  • 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 64,425评论 5 374
  • 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 49,144评论 1 285
  • 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 38,432评论 3 401
  • 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 37,088评论 0 261
  • 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 43,586评论 1 300
  • 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 36,028评论 2 325
  • 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 38,137评论 1 334
  • 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 33,783评论 4 324
  • 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 39,343评论 3 307
  • 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 30,333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 31,559评论 1 262
  • 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 45,595评论 2 355
  • 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 42,901评论 2 345

推荐阅读更多精彩内容