2019-01-18

Scrapy爬取Seair Exim Solutions (https://www.seair.co.in/)印度进出口交易信息

在这个网站上捕捉到下列可用信息,便试着爬一爬

爬虫工具

pip install scrapy

我使用scrapy/quotesbot (https://github.com/scrapy/quotesbot.git)作为初始项目环境, 在spideris件夹下编写自己的爬虫文件


代码定义了spider name为'seair',爬虫程序起始url start_urls,针对爬取网页的response,进行html语法分析。

由于在response中使用XPath、CSS查询十分普遍,因此,Scrapy提供了两个实用的快捷方式: `response.xpath()` 及 `response.css()`。

我使用的是xpath(`https://www.w3schools.com/xml/xpath_intro.asp`)

Selector调试

为方便在response中查询,可在安装`ipython`后运行:

scrapy shell https://www.seair.co.in

爬取目标url, 可以使用:

response.headers

response.body

等命令查看response详情,观测到抓取成功后便可在ipython中进行selector调试,在response中检索所需数据,例如:

response.xpath('...').extract() 等

爬取数据的同时也要搜集下一级url,scrapy针对加入的url会自动去重,所以此处我简单地把所有页面的上的url都加入搜索集中:

reponse.xpath('//a/@href').extract()

运行爬虫

scrapy crawl seair -o data.json

爬虫名称及存储文件名自定义,起初慢得一匹,后来搜到一家公司的产品里竟然有支持加速的docker,教程里一条token贴到docker配置文件里就能work(https://rallets.com/  登录后在我的账户下有开发者平台),果断试了一下,两小时爬到了117m数据。

数据清洗

爬取到数据后开始清理,scrapy文件写得比较简易,数据格式比较杂乱,但也有数据全面的优势,存在潜在价值。针对捕捉到可用数据,分析数据格式,利用正则表达式进行匹配、分析、重组。

"Argentina Import Sample 1", "IMPORTER NAME ", "PEPSICO DE ARGENTINA SRL,JULIO A ROCA 4735 FLORIDA", " Product Description", " IITRIC ACID.CARBOXYLIC ACIDS WITH ALCOHOL FUNCTION, BUT WITHOUT ANOTHER FUNCTION OX", "CURRENCY NAME FOB", "US Dollar", "TYPE OF OPERATION DESCRIPTION", "Import for Consumption", "FOB VALUE TOTAL IN US CURENCY", "213177.95999999999", "EXPORTER NAME", "PEPSI-COLA MANUFACTURING CO.OF URUGUAY SRL"

"Date", "Indian Port", "CTH", "Item Description", "Quantity", "UQC", "U.P.USD", "FOB USD", "Destination Port", "Country", "Duty", "23-Nov-2016", "tughlakabad", "piston rings    ", "96  ", "NOS  ", "4.78  ", "459.29  ", "colombo  ", "23-Nov-2016", "tughlakabad", "piston ring- tractor spare parts    ", "996  ", "SET  ", "1.59  ", "1580.37  ", "yangon  ", "23-Nov-2016", "tughlakabad", "piston rings    ", "696  ", "NOS  ", "3.04  ", "2115.84  ", "bandar abbas  ", "23-Nov-2016", "tughlakabad", "piston rings    ", "400  ", "NOS  ", "3.10  ", "1240.00  ", "bandar abbas  ", "23-Nov-2016", "tughlakabad", "piston rings    ", "168  ", "NOS  ", "46.52  ", "7815.83  ", "hamburg  ", "23-Nov-2016", "tughlakabad", "piston rings    ", "63  ", "NOS  ", "175.47  ", "11054.58  ", "hamburg  ", "23-Nov-2016", "nhava sheva sea", "motor vehicle spare parts a.c. piston ring kit  ", "15  ", "PCS  ", "14.56  ", "218.40  ", "durban  ", "23-Nov-2016", "nhava sheva sea", "motor vehicle spare parts a.c. piston kit  ", "15  ", "PCS  ", "14.02  ", "210.30  ", "durban  ", "23-Nov-2016", "mundra", "piston ring (parts suitable for use solely or principally with the engines) (asper invoice)  ", "20  ", "SET  ", "79.90  ", "1598.00  ", "durban  ", "23-Nov-2016", "ludhiana", "diesel engine spare parts piston ring 102mm 3+2 tc 3171cp  ", "274  ", "KGS  ", "10.79  ", "2956.20  ", "mersin  "

对于上述两种格式的数据分别进行抽取整理:

import re

f = open("seair.json", 'r')

data1 = open("data1.txt", 'ab')

for line in f:

    subLine = re.sub(r'("Argentina Import Sample [0-9]+", )', '', line)

    searchObj = re.findall( r'(IMPORTER NAME.*?"PAYMENT VALUE_USD6", ".*?")', subLine, re.M|re.I )

    for item in searchObj:

        item = item[0:-1]

        writeLine = '{'

        sp = item.split('", "')

        for i in range(0, len(sp), 2):

            if i == len(sp) - 1:

                break

            if sp[i] == 'IMPORTER NAME ' and writeLine != '{':

                writeLine = writeLine[0:-2] + '}\n'

                data1.write(writeLine)

                writeLine = '{"IMPORTER NAME": '

            else:

                writeLine = writeLine + "\"" + sp[i] + "\": "

            if re.match(r'\A([0-9]+(\.[0-9]+)?)\Z', sp[i + 1], re.M|re.I):

                writeLine = writeLine + sp[i + 1] + ', '

            else:

                writeLine = writeLine + "\"" + sp[i + 1] + "\", "

        writeLine = writeLine[0:-2] + '}\n'

        data1.write(writeLine)

f.close()

data1.close()


import re

f = open("seair.json", 'r')

data2 = open("data2.txt", 'ab')

count = 0

for line in f:

    searchVol = re.findall(r'"hd": \["(Date".*?)", "[0-9]{2}-[a-yA-S]{3,4}-[0-9]{4}', line, re.M|re.I)

    searchItem = re.findall(r'([0-9]{2}-[a-yA-S]{3,4}-[0-9]{4}.*)]', line, re.M|re.I)

    if len(searchVol) == 0:

        continue

    spVol =  searchVol[0].replace('"CTH", ', '').replace(', "Country", "Duty', '').replace(', "C O O", "Duty', '').split('", "')

    spItem = searchItem[0].split('", "')

    volNum = len(spVol)

    itemNum = len(spItem)

    for i in range(itemNum):

        if i % volNum == 0:

            writeLine = '{'

            if len(re.findall(r'([0-9]{2}-[a-yA-S]{3,4}-[0-9]{4})', spItem[i])) == 0:

                break

        writeLine = writeLine + "\"" + spVol[i % volNum] + "\": "

        if re.match(r'\A([0-9]+(\.[0-9]+)?)\Z', spItem[i], re.M|re.I):

            writeLine = writeLine + spItem[i] + ', '

        else:

            writeLine = writeLine + "\"" + spItem[i] + "\", "

        if i % volNum == volNum - 1:

            writeLine = writeLine[0:-2] + '}\n'

            data2.write(writeLine)

            count += 1

print count

f.close()

data2.close()

共计整理出59w条数据,观测到数据的重复现象,需去重。鉴于python的set的元素具有唯一性,set在cpython解释器的实现用了hashtable,效率奇高,可用来去重:

#coding=utf-8

import sys, re, os

def getDictList(dict):

    regx = '\{.*\}'

    with open(dict) as f:

        data = f.read()

        return re.findall(regx, data)

def rmdp(dictList):

    return list(set(dictList))

def fileSave(dictRmdp, out):

    with open(out, 'a') as f:

        for line in dictRmdp:

            f.write(line + '\n')

def main():

    try:

        dict = sys.argv[1].strip()

        out = sys.argv[2].strip()

    except Exception, e:

        print 'error:', e

        me = os.path.basename(__file__)

        print 'usage: %s <input> <output>' %me

        print 'example: %s dict.txt dict_rmdp.txt' %me

        exit()

    dictList = getDictList(dict)

    dictRmdp = rmdp(dictList)

    fileSave(dictRmdp, out)

if __name__ == '__main__':

    main()

最后清理得到45w条交易数据

©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 204,590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 86,808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 151,151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 54,779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 63,773评论 5 367
  • 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 48,656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 38,022评论 3 398
  • 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 36,678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 41,038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 35,659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 37,756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 33,411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 39,005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 29,973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 31,203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 45,053评论 2 350
  • 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 42,495评论 2 343

推荐阅读更多精彩内容