实战计划0430-石头的练习作业

练习要求

数据来源

数据处理

运行效果：

抓取数据

数据处理

实现代码

__author__ = 'daijielei'

'''
19课时练习，为11课时练习的加强版,之前从小猪短租处抓取一堆租房详情，19课时需要将其内容保存入DB中
'''
from bs4 import BeautifulSoup   #解析html文档用
import requests                 #抓取html页面用
import time


import pymongo

client = pymongo.MongoClient('localhost',27017)
xiaozuDB = client['xiaozuDB']
sheet1 = xiaozuDB['sheet1']

'''
saveToDB
将需要保存的内容写入mongoDB
'''
def saveToDB(data):
    sheet1.insert_one(data)
    client.close()

'''
showxiaozuDB_payMore500
查看mongoDB中保存的数据，筛选出金额500以上的显示出来
'''
def showxiaozuDB_payMore500():
    print(sheet1.count())
    for item in sheet1.find({'pay':{'$gte':500}}):#筛选条件，将金额500以上的筛选出来
        print(item)
    client.close()

'''
cleanxiaozuDB
清除mangoDB中的数据
'''
def cleanxiaozuDB():
    sheet1.delete_many({})
    print(sheet1.count())
    client.close()






'''
##################################################################################################################
########                                                                                                  ########
                                    以下内容为第11课时完成，抓取小猪短租的相关信息
########                                                                                                  ########
##################################################################################################################
'''

#urls用来制定抓取范围，header该处无用处
header = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.110 Safari/537.36',
    'Host':'bj.xiaozhu.com'
}


#getlist用来抓取对应网页上的每个列表的跳转url
#测试用url = "http://bj.xiaozhu.com/search-duanzufang-p1-0/"
def getlist(url):
    webData = requests.get(url,headers=header)
    soup = BeautifulSoup(webData.text,'lxml')

    houselists = soup.select('ul > li > a')

    for houselist in houselists:
        listUrl = str(houselist.get('href'))
        if(listUrl.find('http://bj.xiaozhu.com/fangzi/')!=-1):#确认链接内容为详情页，则进行详情页信息抓取
            #print(listUrl)
            getInfoPage(listUrl)


#getInfoPage用来抓取详情页里的相关信息，如标题、地址、金额、房屋图片、拥有人图片等等
#测试用url = "http://bj.xiaozhu.com/fangzi/525041101.html"
def getInfoPage(url):
    webData = requests.get(url,headers=header)
    soup = BeautifulSoup(webData.text,'lxml')
    time.sleep(2)

    titles = soup.select('body > div.wrap.clearfix.con_bg > div.con_l > div.pho_info > h4 > em')
    address = soup.select('body > div.wrap.clearfix.con_bg > div.con_l > div.pho_info > p > span.pr5')
    pays = soup.select('#pricePart > div.day_l > span')
    houseimages = soup.select('#curBigImage')
    ownerimages = soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > a > img')
    ownernames = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > a')
    ownerSexs = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > span')

    for title,addres,pay,houseimage,ownerimage,ownername,ownerSex in zip(titles,address,pays,houseimages,ownerimages,ownernames,ownerSexs):
        data = {
            'title':title.get_text(),
            'addres':addres.get_text(),
            'pay': int(pay.get_text()) if str((pay.get_text())).isdigit() else 0,
            'houseimage':houseimage.get('src'),
            'ownerimage':ownerimage.get('src'),
            'ownername':ownername.get_text(),
            'ownerSex':'female'
        }
        if('member_boy_ico' in str(ownerSex['class'])):#该处用来判断是男性还是女性，男性是通过标签来区分
            data['ownerSex'] = "male"
        print(data)
        #saveToDB(data)

def startCatch():
    urls = ["http://bj.xiaozhu.com/search-duanzufang-p{}-0/".format(str(i)) for i in range(1,5,1)]
    for url in urls:
        getlist(url)






#入口，该语句只有直接执行时会被调用
if __name__ == '__main__':
    #startCatch()
    showxiaozuDB_payMore500()
    #cleanxiaozuDB()

笔记、总结、思考：

1、这节练习主要的重点有，存储到数据库

1、创建本地mongoDB的数据库连接
 client = pymongo.MongoClient('localhost',27017)

2、创建名为'xiaozuDB'的数据库
 xiaozuDB = client['xiaozuDB']

3、创建名为'sheet1'的集合（collection，和表类似，但是和表对比灵活多了）
sheet1 = xiaozuDB['sheet1']

4、往'sheet1'的表中写入数据，这里是直接把字典写进去
sheet1.insert_one(data)

2、筛选出金额为500以上的数据

1、从'sheet1'中筛选出数据，find函数用来寻找所有满足条件的数据，传入字典来包含寻找的条件

for item in sheet1.find({'pay':{'$gte':500}}):#筛选条件，将金额500以上的筛选出来
        print(item)