Python Week 2 - 爬取大规模数据

Week 2

第一节练习项目:在 MongoDB 中筛选房源
from bs4 import BeautifulSoup
import requests, pymongo

# Initialization
client = pymongo.MongoClient('localhost', 27017)
xiaozhuDB = client['xiaozhu500']
sheet_tab = xiaozhuDB['sheet_tab']

urls = ['http://bj.xiaozhu.com/search-duanzufang-p{}-0/'.format(str(page)) for page in range(1, 3+1)]  # 3+1 是为了方便理解

'''
for url in urls:
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    titles = soup.select('span.result_title.hiddenTxt')
    prices = soup.select('span.result_price > i')   # i 才是具体的str(纯数字), 不然会输出为'$xxx/晚'
    for title, price in zip(titles, prices):
        data = {
            'Title': title.get_text(),
            'Price': int(price.get_text())   # 用 int 保存更合理
        }
        sheet_tab.insert_one(data)
'''
# 爬完了以上代码注释掉

for item in sheet_tab.find({'Price': {'$gte': 500}}):
    print(item)
第二节练习项目:爬取手机号
from bs4 import BeautifulSoup
import requests, pymongo, time

# initialization
client = pymongo.MongoClient('localhost', 27017)
shoujihaoDB = client['shoujihao']
sheet_tab = shoujihaoDB['sheet_tab']


def get_links_from(pages):
    for i in range(1, pages + 1):
        url_base = 'http://bj.58.com/shoujihao/1/pn{}/'.format(i)  # 个人页(0)无信息, 所以手工定义为全部是商家
        wb_data = requests.get(url_base)
        soup = BeautifulSoup(wb_data.text, 'lxml')
        titles = soup.select('a.t > strong.number')
        links = soup.select('a.t')
        prices = soup.select('b.price')
        for title, link, price in zip(titles, links, prices):
            data = {
                'Title': title.get_text(),
                'Link': link.get('href'),
                'Price': price.get_text()
            }
            sheet_tab.insert_one(data)


get_links_from(116) # 最后一页就是 116
第二周作业:赶集数据爬取
homepagespider.py
# homepagespider.py

from bs4 import BeautifulSoup
import requests


def get_channel_list():
    wb_data = requests.get('http://bj.ganji.com/wu/')
    wb_data.encoding = 'utf-8'
    soup = BeautifulSoup(wb_data.text, 'lxml')
    links = soup.select('dl.fenlei > dt > a')
    for link in links:
        print('http://bj.ganji.com' + link.get('href'))

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/
    '''
linkspider.py
# linkspider.py

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

# database initialization
client = pymongo.MongoClient('localhost', 27017, connect=False)
ganjiDB = client['ganji1741']
url_list = ganjiDB['url_list']
item_info = ganjiDB['item_info']

header = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36',
    'Connection':'keep-alive'
}


def get_links_from(channel, page, who_sells='o'):  # 'o' 是个人信息
    url = '{}{}{}'.format(channel, who_sells, page)
    wb_data = requests.get(url, headers=header)
    wb_data.encoding = 'utf-8'  # 不写中文会乱码
    soup = BeautifulSoup(wb_data.text, 'lxml')
    titles = soup.find_all('a', 'ft-tit')  # the selector of titles, link = title.get('href')

    # 排除转转商品
    filters = []
    for title in titles:
        if 'zz-title' in title.get('class'):
            pass
        else:
            filters.append(title)
    titles = filters[:]
    # 过滤完成
    try:
        if soup.find('ul', 'pageLink'):
            for title in titles:
                url_list.insert_one({'url': title.get('href')})
            print('This page is done >', url)
            time.sleep(random.randrange(1, 4))
        elif soup.find('div', 'no-search'):
            print('No further results in this category >', url)
        elif soup.find('p', 'error-tips1'):
            print('You should get some rest... >', url)
            time.sleep(random.randrange(5, 11))
            get_links_from(channel, page)
        else:
            pass
    except TimeoutError as e:
        print('error:', e,  url)
        get_links_from(channel, page)


def get_item_info(url, data=None):
    wb_data = requests.get(url, headers=header)
    wb_data.encoding = 'utf-8'
    soup = BeautifulSoup(wb_data.text, 'lxml')
    no_longer_exist = soup.find('div', 'error')
    if no_longer_exist:
        print('no longer exist...', url)
    else:
        title = soup.find('h1', 'title-name').get_text()
        date = soup.find('i', 'pr-5').text.split('发布')[0].strip() if soup.find('i', 'pr-5') else None
        category = soup.select('ul.det-infor > li > span > a')[0].get_text()
        price = int(soup.select('i.f22.fc-orange.f-type')[0].get_text())
        area = [price.get_text().strip() for price in soup.select('ul.det-infor > li:nth-of-type(3) > a')]
        state = soup.select('ul.second-det-infor.clearfix > li')[0].get_text().split(':')[-1].strip() if soup.find('ul', 'second-det-infor') and soup.select('ul.second-det-infor.clearfix > li')[0].get_text().split(':')[0].strip() == '新旧程度' else None
        url = url
        item_info.insert_one({'title': title, 'date': date, 'category': category, 'price': price, 'area': area, 'state': state, 'url': url})
        print({'title': title, 'date': date, 'category': category, 'price': price, 'area': area, 'state': state, 'url': url})
        time.sleep(random.randrange(1, 5))
        # 规则上面的事情就自己琢磨吧
counter.py
#counter.py

import time
from linkspider import url_list, item_info

while True:
    print(url_list.find().count())
    print(item_info.find().count())
    time.sleep(8)
main.py
# main.py

from multiprocessing import Pool
from linkspider import get_item_info, get_links_from, url_list, item_info
from homepagespider import channel_list


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


# 已经爬取商品信息的 url 会在 url_list 里面, 和之前用 get_all_links_from 获取的 db_urls 做差集, 避免因网络问题而重复爬取
db_urls = [item['url'] for item in url_list.find()]
item_urls = [item['url'] for item in item_info.find()]
x = set(db_urls)
y = set(item_urls)
rest_of_urls = x - y


# 传入 channel_list, 获取商品链接
# if __name__ == '__main__':
#     pool = Pool(len(channel_list.split()))
#     pool.map(get_all_links_from, channel_list.split())

# 传入差集 set, 爬取商品信息
if __name__ == '__main__':
    pool = Pool(processes=50)
    pool.map(get_item_info, rest_of_urls)
    pool.close()

笔记:多用print,别直接就pass,这样会看不出来问题所在。插入数据库时后面要time.sleep(num),否则会报错,原因不清楚,应该和多进程操作数据库有关。这次的代码主要在于调试和完善,需要耐心咯……

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 203,324评论 5 476
  • 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 85,303评论 2 381
  • 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 150,192评论 0 337
  • 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 54,555评论 1 273
  • 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 63,569评论 5 365
  • 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 48,566评论 1 281
  • 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 37,927评论 3 395
  • 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 36,583评论 0 257
  • 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 40,827评论 1 297
  • 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 35,590评论 2 320
  • 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 37,669评论 1 329
  • 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 33,365评论 4 318
  • 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 38,941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 29,928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 31,159评论 1 259
  • 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 42,880评论 2 349
  • 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 42,399评论 2 342

推荐阅读更多精彩内容