爬取58同城

写了一上午,爬了一下午,心累。

  1. 采用了多进程爬虫mutliprocessing的Pool
  2. 采用mongdb数据库存储数据
  3. 采用requests + BeautifulSoup的路线
    思路:
  4. 获得各个分类的链接,获得每个物品的链接,存储
  5. 从数据库中取链接,获得每个物品的具体信息,存储
  6. 另外写一个python程序或者从mongdb shell访问数据库,得到进度
  7. 断点续传的功能,在两个数据库中设置一个关联值(这里采用url),然后分别把数据导入一个set,两集合相减就得到接下来要下载的信息
import pymongo,time,requests
from bs4 import BeautifulSoup
from multiprocessing import Pool

client = pymongo.MongoClient('localhost',27017)
tongcheng = client['tongcheng']
url_list = tongcheng['url_list']    #创建了两个collections
info_list = tongcheng['info_list']

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:53.0) Gecko/20100101 Firefox/53.0'
}    #模拟浏览器访问网站


start_url = 'http://bj.58.com/sale.shtml'
channel_links = []
def get_channel_url(url):
    r = requests.get(url,headers=headers)
    r.raise_for_status()
    soup = BeautifulSoup(r.text,'lxml')
    channels = soup.select('ul.ym-mainmnu > li.ym-tab > ul.ym-submnu > li > b > a')
    for channel in channels:
        channel_links.append('http://bj.58.com'+channel.get('href'))


def get_item_url(channel,page,who_sell=0):
    url = '{}/{}/pn{}/'.format(channel,str(who_sell),str(page))
    wb_data = requests.get(url,timeout=30,headers=headers)
    time.sleep(2)
    wb_data.raise_for_status()
    soup = BeautifulSoup(wb_data.text,'lxml')
    if soup.find('td'):
        items = soup.select('a.t')
        for item in items:
            link = item.get('href').split('?')[0]
            if 'zhuanzhuan' in link:
                url_list.insert_one({'url':link})
                print(link)



def get_pages_url(channel):
    for i in range(1,100):
        get_item_url(channel,i)

def get_item_info(url):
    wb_data = requests.get(url,timeout = 30,headers = headers)
    time.sleep(1)
    wb_data.raise_for_status()
    soup = BeautifulSoup(wb_data.text,'lxml')
    title = soup.find('head').find('title').text
    price = soup.select('span.price_now > i')
    area = soup.select('div.palce_li > span > i')
    view = soup.select('span.look_time')
    info = {
        'title':title.strip(),
        'price':price[0].text if price else None,
        'area':area[0].text.strip() if area else None,
        'view':view[0].text.strip()[:-3] if view else None
    }
    info_list.insert_one(info)
    print(info)


if __name__ == '__main__':
    pool = Pool()    #创建进程池
    get_channel_url(start_url)
    pool.map(get_pages_url,channel_links)     #采用多进程爬取
    pool.map(get_item_info,link['url'] for link in url_list.find())
import pymongo,time

client = pymongo.MongoClient('localhost',27017)
tongcheng = client['tongcheng']
url_list = tongcheng['url_list']
info_list = tongcheng['info_list']

while url_list.find().count() > info_list.find().count():
    print(url_list.find().count()+info_list.find().count())
    time.sleep(5)     #定时得到数据库中的个数

# ================================================= < <链接去重 > > =====================================================

# 设计思路:
# 1.分两个数据库,第一个用于只用于存放抓取下来的 url (ulr_list);第二个则储存 url 对应的物品详情信息(item_info)
# 2.在抓取过程中在第二个数据库中写入数据的同时,新增一个字段(key) 'index_url' 即该详情对应的链接
# 3.若抓取中断,在第二个存放详情页信息的数据库中的 url 字段应该是第一个数据库中 url 集合的子集
# 4.两个集合的 url 相减得出圣贤应该抓取的 url 还有哪些


db_urls = [item['url'] for item in url_list.find()]     # 用列表解析式装入所有要爬取的链接
index_urls = [item['url'] for item in item_info.find()] # 所引出详情信息数据库中所有的现存的 url 字段
x = set(db_urls)                                        # 转换成集合的数据结构
y = set(index_urls)
rest_of_urls = x-y                               
       # 相减
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 194,319评论 5 459
  • 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 81,801评论 2 371
  • 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 141,567评论 0 319
  • 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 52,156评论 1 263
  • 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 61,019评论 4 355
  • 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 46,090评论 1 272
  • 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 36,500评论 3 381
  • 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 35,192评论 0 253
  • 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 39,474评论 1 290
  • 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 34,566评论 2 309
  • 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 36,338评论 1 326
  • 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 32,212评论 3 312
  • 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 37,572评论 3 298
  • 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 28,890评论 0 17
  • 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 30,169评论 1 250
  • 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 41,478评论 2 341
  • 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 40,661评论 2 335

推荐阅读更多精彩内容