作业要求：解析本地网页信息，收集商品信息

爬虫作业1_2.png

我的代码

# -*- coding:utf-8 -*-

#这次作业完成从商品网页上爬取商品信息,并保存到一个列表中
#一个商品信息包括:
#  {图片地址:pic, 价格: price, 商品标题: title, 评分量: review, 评分星级: star}

from bs4 import BeautifulSoup

with open("/Users/xyh/Documents/python/python3/Week1/1_2/index.html") as webSite:
    soup = BeautifulSoup(webSite, 'lxml')
    pics = soup.select('body > div > div > div.col-md-9 > div > div > div > img')
    prices = soup.select('body > div > div > div.col-md-9 > div > div > div > div > h4.pull-right')
    titles = soup.select('body > div > div > div.col-md-9 > div > div > div > div > h4 > a')
    reviews = soup.select('div > div.ratings > p.pull-right')
    stars = soup.select('div > div.ratings > p:nth-of-type(2)')

products = []

for pic, price, title, review, star in zip(pics, prices, titles, reviews, stars):
    data = {
        'pic' : pic.get('src'),
        'price' : price.get_text(),
        'title' : title.get_text(),
        'review' : int(review.get_text().split(' ')[0]), #只需要reviews的数量,并且以integer格式保存
        'star' : '★' * len(star.find_all('span', class_='glyphicon glyphicon-star')) +
                 '☆' * len(star.find_all('span', class_='glyphicon glyphicon-star-empty'))
    }

    products.append(data)

print(products)

总结

• 遇到的坑 关于CSS selector

1. 格式必须要对
   • 正确：div > div.ratings > p.pull-right （div空格>空格div）
   • 错误：'div> div.ratings > p.pull-right（少了空格，会报错）
2. 直接从Google Chrome中复制selector路径，如果得到了p:nth-child(2)的路径，需要把nth-child(2)改为nth-of-type(2)，否则会报错

• 关于字段的存储类型：

  • 星星数量最好以float或者integer数据类型保存， 由于作业没有给出明确的要求，因此，星星是以字符串''★''的形式打印出来。如果是要以星星数量筛选商品。

  • reviews的数量，作业中也做了处理，将"reviews"的字符串剔除，只保存前面的数字，用integer类型存储，便于之后的利用

• 星星数量的爬取
  这个应该是本次作业中的难点，思路如下。

  1. 定位星星位置：星星在一个<p>标签下的<span>标签内，并且一个商品有多个星星。因此用soup.select()定位<span>标签的父标签
  2. 分析<span>的类型: 一个商品有多个<span>，分为两类：class_='glyphicon glyphicon-star'代表''★''；class_='glyphicon glyphicon-star-empty代表'☆'
  3. 利用步骤1得到的列表中的每一个tag对象的find_all()方法，分别获取步骤2中分析出的两种<span>，分别得到两个list，用len()函数就可以计算出每一个商品的两种类型的星星数量