Python Week 2 - 爬取大規(guī)模數(shù)據(jù)

Week 2

第一節(jié)練習(xí)項(xiàng)目:在 MongoDB 中篩選房源
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 是為了方便理解

'''
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 才是具體的str(純數(shù)字), 不然會(huì)輸出為'$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)
'''
# 爬完了以上代碼注釋掉

for item in sheet_tab.find({'Price': {'$gte': 500}}):
    print(item)
第二節(jié)練習(xí)項(xiàng)目:爬取手機(jī)號
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)  # 個(gè)人頁(0)無信息, 所以手工定義為全部是商家
        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) # 最后一頁就是 116
第二周作業(yè):趕集數(shù)據(jù)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' 是個(gè)人信息
    url = '{}{}{}'.format(channel, who_sells, page)
    wb_data = requests.get(url, headers=header)
    wb_data.encoding = 'utf-8'  # 不寫中文會(huì)亂碼
    soup = BeautifulSoup(wb_data.text, 'lxml')
    titles = soup.find_all('a', 'ft-tit')  # the selector of titles, link = title.get('href')

    # 排除轉(zhuǎn)轉(zhuǎn)商品
    filters = []
    for title in titles:
        if 'zz-title' in title.get('class'):
            pass
        else:
            filters.append(title)
    titles = filters[:]
    # 過濾完成
    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('發(fā)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() == '新舊程度' 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))
        # 規(guī)則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)


# 已經(jīng)爬取商品信息的 url 會(huì)在 url_list 里面, 和之前用 get_all_links_from 獲取的 db_urls 做差集, 避免因網(wǎng)絡(luò)問題而重復(fù)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


# 傳入 channel_list, 獲取商品鏈接
# if __name__ == '__main__':
#     pool = Pool(len(channel_list.split()))
#     pool.map(get_all_links_from, channel_list.split())

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

筆記:多用print舰攒,別直接就pass,這樣會(huì)看不出來問題所在悔醋。插入數(shù)據(jù)庫時(shí)后面要time.sleep(num)摩窃,否則會(huì)報(bào)錯(cuò),原因不清楚芬骄,應(yīng)該和多進(jìn)程操作數(shù)據(jù)庫有關(guān)猾愿。這次的代碼主要在于調(diào)試和完善,需要耐心咯……

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末账阻,一起剝皮案震驚了整個(gè)濱河市蒂秘,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌淘太,老刑警劉巖姻僧,帶你破解...
    沈念sama閱讀 219,589評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異蒲牧,居然都是意外死亡撇贺,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,615評論 3 396
  • 文/潘曉璐 我一進(jìn)店門冰抢,熙熙樓的掌柜王于貴愁眉苦臉地迎上來松嘶,“玉大人,你說我怎么就攤上這事挎扰〈涠” “怎么了?”我有些...
    開封第一講書人閱讀 165,933評論 0 356
  • 文/不壞的土叔 我叫張陵遵倦,是天一觀的道長尽超。 經(jīng)常有香客問我,道長梧躺,這世上最難降的妖魔是什么似谁? 我笑而不...
    開封第一講書人閱讀 58,976評論 1 295
  • 正文 為了忘掉前任,我火速辦了婚禮燥狰,結(jié)果婚禮上棘脐,老公的妹妹穿的比我還像新娘。我一直安慰自己龙致,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,999評論 6 393
  • 文/花漫 我一把揭開白布顷链。 她就那樣靜靜地躺著目代,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上榛了,一...
    開封第一講書人閱讀 51,775評論 1 307
  • 那天在讶,我揣著相機(jī)與錄音,去河邊找鬼霜大。 笑死构哺,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的战坤。 我是一名探鬼主播曙强,決...
    沈念sama閱讀 40,474評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼途茫!你這毒婦竟也來了碟嘴?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,359評論 0 276
  • 序言:老撾萬榮一對情侶失蹤囊卜,失蹤者是張志新(化名)和其女友劉穎娜扇,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體栅组,經(jīng)...
    沈念sama閱讀 45,854評論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡雀瓢,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,007評論 3 338
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了玉掸。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片致燥。...
    茶點(diǎn)故事閱讀 40,146評論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖排截,靈堂內(nèi)的尸體忽然破棺而出嫌蚤,到底是詐尸還是另有隱情,我是刑警寧澤断傲,帶...
    沈念sama閱讀 35,826評論 5 346
  • 正文 年R本政府宣布脱吱,位于F島的核電站,受9級特大地震影響认罩,放射性物質(zhì)發(fā)生泄漏箱蝠。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,484評論 3 331
  • 文/蒙蒙 一垦垂、第九天 我趴在偏房一處隱蔽的房頂上張望宦搬。 院中可真熱鬧,春花似錦劫拗、人聲如沸间校。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,029評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽憔足。三九已至胁附,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間滓彰,已是汗流浹背控妻。 一陣腳步聲響...
    開封第一講書人閱讀 33,153評論 1 272
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留揭绑,地道東北人弓候。 一個(gè)月前我還...
    沈念sama閱讀 48,420評論 3 373
  • 正文 我出身青樓,卻偏偏與公主長得像他匪,于是被迫代替她去往敵國和親菇存。 傳聞我的和親對象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,107評論 2 356

推薦閱讀更多精彩內(nèi)容