Python实战作业 第二周:爬取赶集网商品信息

任务:

1、从网站:http://sh.ganji.com/wu/ 中获取类型链接

2、从类型地址中获取商品链接(设置末尾页判断,以防爬取错误信息)

3、从商品地址中获取商品信息:商品标题—goods_title、价格—price、交易地点—swap_site

成果:

商品链接

Snip20170531_5.png

商品详情

Snip20170531_6.png

多进程

Snip20170531_7.png

代码:

第一部分:

from bs4 import BeautifulSoup
import requests

'''
start_url = 'http://sh.ganji.com/wu/'
url = 'http://sh.ganji.com'
wb_data = requests.get(start_url)
soup = BeautifulSoup(wb_data.text,'lxml')

channel_links = soup.select('#wrapper > div.content > div > div > dl > dt > a')

for channel_link in channel_links:
    link = url+channel_link.get('href')
    print(link)
'''
channels = '''
    http://sh.ganji.com/jiaju/
    http://sh.ganji.com/rirongbaihuo/
    http://sh.ganji.com/shouji/
    http://sh.ganji.com/bangong/
    http://sh.ganji.com/nongyongpin/
    http://sh.ganji.com/jiadian/
    http://sh.ganji.com/ershoubijibendiannao/
    http://sh.ganji.com/ruanjiantushu/
    http://sh.ganji.com/yingyouyunfu/
    http://sh.ganji.com/diannao/
    http://sh.ganji.com/xianzhilipin/
    http://sh.ganji.com/fushixiaobaxuemao/
    http://sh.ganji.com/meironghuazhuang/
    http://sh.ganji.com/shuma/
    http://sh.ganji.com/laonianyongpin/
    http://sh.ganji.com/xuniwupin/
    http://sh.ganji.com/qitawupin/
    http://sh.ganji.com/ershoufree/
    http://sh.ganji.com/wupinjiaohuan/
    '''

第二部分:

from bs4 import BeautifulSoup
import requests
import pymongo
import time


client = pymongo.MongoClient('localhost',27017)
ganji = client['ganji']
sheet_urls = ganji['sheet_urls']
sheet_info = ganji['sheet_info']

urls = ['http://sh.ganji.com/jiaju/o{}'.format(i) for i in range(57,63)]
url = 'http://zhuanzhuan.ganji.com/detail/788991434206199812z.shtml'



def get_url(url):
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text,'lxml')
    time.sleep(2)
    goods_urls = soup.select('#infolist > div > table > tbody > tr > td.t > a')
    infos = soup.select('#infolist > div')
    for info in infos:
        if info.get('class') != ['noinfo']:
            for goods_url in goods_urls:
                if goods_url.get('href').split('/')[2]!='sh.ganji.com':
                    sheet_urls.insert_one({'url':goods_url.get('href').split('?')[0]})
                    print(goods_url.get('href').split('?')[0])
        else:
            print('End')

def get_info(url):
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text,'lxml')
    time.sleep(2)
    if soup.title.text.split() == ['【图】_的闲置物品-转转,赶集二手']:
        pass
    else:
        goods_title = soup.select('body > div.content > div > div.box_left > div.info_lubotu.clearfix > div.box_left_top > h1')[0].text
        #times = soup.select('')
        #types = soup.select('')
        price = soup.select('body > div.content > div > div.box_left > div.info_lubotu.clearfix > div.info_massege.left > div.price_li > span > i')[0].text
        area = soup.select('body > div.content > div > div.box_left > div.info_lubotu.clearfix > div.info_massege.left > div.palce_li > span > i')[0].text
        #degrees = soup.select('')
        print(goods_title,price,area)
        sheet_info.insert_one({'goods_title':goods_title,'price':price,'area':area})

第三部分:

from multiprocessing import Pool
from get_urls import get_url,get_info
import pymongo
from get_channel import channels


client = pymongo.MongoClient('localhost',27017)
ganji = client['ganji']
sheet_urls = ganji['sheet_urls']
sheet_info = ganji['sheet_info']

def get_all_links(channel):
    for n in range(1,11):
        url = channel + 'o{}'.format(str(n))
        get_url(url)


pool = Pool(4)

#Spader 1 采用多进程方式,获取所有商品链接地址
pool.map(get_all_links,channels.split())

#Spader 2 采用多进程方式,获取所有商品详情
for i in sheet_urls.find():
    url = i['url']
    pool.apply_async(get_info, args=(url,))
pool.close()
pool.join()
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 196,302评论 5 462
  • 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 82,563评论 2 373
  • 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 143,433评论 0 325
  • 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 52,628评论 1 267
  • 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 61,467评论 5 358
  • 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 46,354评论 1 273
  • 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 36,777评论 3 387
  • 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 35,419评论 0 255
  • 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 39,725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 34,768评论 2 314
  • 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 36,543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 32,387评论 3 315
  • 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 37,794评论 3 300
  • 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 29,032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 30,305评论 1 252
  • 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 41,741评论 2 342
  • 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 40,946评论 2 336

推荐阅读更多精彩内容