week2-爬取赶集网10万商品数据

学习Python爬虫的第二周,完成了爬取赶集网二手市场的10万商品数据。

成果:
url_list.png

item_info.png
代码:

*channel_extract.py *

from bs4 import BeautifulSoup
import requests

# spider1
start_url = 'http://bj.ganji.com/wu/'
url_host= 'http://bj.ganji.com'
def get_channel_urls(url):
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    links = soup.select('dl.fenlei dt > a ')
    for link in links:
        page_url = url_host + link.get('href')
        print(page_url)
get_channel_urls(start_url)

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/
'''

page_parsing.py

from bs4 import BeautifulSoup
import requests
import time
import pymongo

client = pymongo.MongoClient('localhost', 27017)
ceshi = client['ceshi']
url_list = ceshi['url_list1']
item_info = ceshi['item_info1']

#随机UA
userAgent = random.choice(['Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.23 Mobile Safari/537.36', 
                           'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.86 Safari/537.36', 
                           'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.23 Mobile Safari/537.36', 
                           'Mozilla/5.0 (Linux; Android 5.1.1; Nexus 6 Build/LYZ28E) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.23 Mobile Safari/537.36',  
                           'Mozilla/5.0 (iPhone; CPU iPhone OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1',   
                           'Mozilla/5.0 (iPad; CPU OS 9_1 like Mac OS X) AppleWebKit/601.1.46 (KHTML, like Gecko) Version/9.0 Mobile/13B143 Safari/601.1'
                            ])
# spider2
def get_links_from(channel, pages, who_sells='o'):
    headers = {
        'User-Agent': userAgent,
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept - Encoding': 'gzip, deflate, sdch',
        'Accept - Language': 'zh - CN, zh;q = 0.8, en;q = 0.6',
        'Cache - Control': 'max - age = 0','Connection': 'keep - alive'
    }
    client = pymongo.MongoClient('localhost', 27017)
    ceshi = client['ceshi']
    url_list = ceshi['url_list1']
    list_view = '{}{}{}/'.format(channel, str(who_sells), str(pages))
    wb_data = requests.get(list_view, headers=headers)

    #随机访问延时
    i = random.randrange(0, 3)
    time.sleep(i)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    links = soup.select('li.js-item > a')
    if soup.find('ul', 'pageLink'):
        for link in links:
            item_link = link.get('href')
            headers = requests.head(item_link, allow_redirects=False).headers
            if headers['Server'] == 'nginx':
                item_link = headers['Location']
                url_list.insert_one({'url': item_link})
            else:
                url_list.insert_one({'url': item_link})
                pass
            get_item_info(item_link)
    else:
        pass
        
def get_item_info(url):
    headers = {
        'User-Agent': userAgent,
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept - Encoding': 'gzip, deflate, sdch',
        'Accept - Language': 'zh - CN, zh;q = 0.8, en;q = 0.6',
        'Cache - Control': 'max - age = 0','Connection': 'keep - alive'
    }
    client = pymongo.MongoClient('localhost', 27017)
    ceshi = client['ceshi']
    item_info = ceshi['item_info1']
    wb_data = requests.get(url, headers=headers)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    no_longer_exist = soup.find('div', 'error')
    if no_longer_exist:
        pass
    else:
        title = soup.select('.title-name')[0].text
        date = soup.select('.pr-5')[0].text.split('发布')[0].strip() if soup.find('i', 'pr-5') else None
        cate = soup.select('.det-infor > li > span > a')[0].text
        price = soup.select('.f22.fc-orange.f-type')[0].text
        loco_list = list(soup.select('div.leftBox > div:nth-of-type(3) > div > ul > li:nth-of-type(3) > a'))
        area = []
        for loco in loco_list:
            area.append(loco.text)
        state = soup.select('ul.second-det-infor.clearfix > li')[0].text.split(':')[-1].strip() if soup.find('ul', 'second-det-infor') and soup.select('ul.second-det-infor.clearfix > li')[0].text.split(':')[0].strip() == '新旧程度' else None
        item_info.insert_one({'title': title, 'date': date, 'cate': cate, 'price': price, 'area': area, 'state': state, 'url': url})

main.py

from multiprocessing import Pool
from channel_extract import channel_list
from page_parsing import get_links_from, url_list, item_info, get_item_info

def get_all_links_from(channel):
    for num in range(1, 100):
        get_links_from(channel, num)
if __name__ == '__main__':
    pool = Pool()
    pool.map(get_all_links_from, channel_list.split())
        # 断点续传
    db_urls = [item['url'] for item in url_list.find()]
    index_urls = [item['url'] for item in item_info.find()]
    x = set(db_urls)
    y = set(index_urls)
    rest_of_urls = x - y
    pool.map(get_item_info, rest_of_urls)

counts.py

import time
from page_parsing import url_list, item_info

while True:
    print(url_list.find().count())
    print(item_info.find().count())
    print('\n')
    time.sleep(10)
总结:
  • 大规模数据的爬取之前应该做好爬虫工作流程的设计,设计多个爬虫,分别负责URL链接和每个链接的详情页的爬取。同时设计两个数据库,一个用来存放URL,另一个用来存放商品详情。
  • 有一些网页进行了重定向,用requests的head方法可以获取响应头,通过响应头中的'location'可以获得真实的URL,通过设置请求参数allow_redirects=True可以启用重定向,默认情况下是禁用的。
  • 为了提高爬取效率,可以使用多线程和多进程。使用多进程的前提是拥有足够的CPU内核,因为一个进程会占用一个CPU。对于单核系统,只能使用多线程爬取。
  • 在抓取过程中难免会遇到网络问题而导致程序终止,需要设计断点续传功能保证数据库中抓取的数据不会重复。设计思路是存储商品详情的同时增加一个字段,存储每个商品的URL,如果程序中断,则将所有链接与商品详情表中已抓取链接做差集,抓取剩下的链接。
  • 通过获取数据库中的数据数目,可以创建一个监控程序统计所抓数据的数目。
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 204,293评论 6 478
  • 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 85,604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 150,958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 54,729评论 1 277
  • 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 63,719评论 5 366
  • 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 48,630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 38,000评论 3 397
  • 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 36,665评论 0 258
  • 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 40,909评论 1 299
  • 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 35,646评论 2 321
  • 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 37,726评论 1 330
  • 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 33,400评论 4 321
  • 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 38,986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 29,959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 31,197评论 1 260
  • 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 44,996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 42,481评论 2 342

推荐阅读更多精彩内容