爬取律师名录网站(www.lvshiminglu.com)上所有律所信息

#coding:utf-8
import time
from selenium import webdriver
from selenium.webdriver.common.keys import Keys
from bs4 import BeautifulSoup
import requests
import sys,os
import django
import urllib,urllib2
reload(sys)
sys.setdefaultencoding('utf8')
sys.path.append('/inzhua/inzhua/')
# os.environ['DJANGO_SETTINGS_MODULE']='inzhua.settings'
# django.setup()
os.environ.setdefault("DJANGO_SETTINGS_MODULE", "inzhua.settings")
from django.core.management import execute_from_command_line
execute_from_command_line(sys.argv)

from inzhua_main.models import *
LOG_PATH = '/inzhua/log/'
BASEURL='http://www.creditchina.gov.cn'
HTML_PATH = '/inzhua/inzhua/inzhua_main/spider/creditchina/'

lvshi_url ='http://www.lvshiminglu.com/category/shanghai/page/222'
main_url ='http://www.lvshiminglu.com'
lvshi_path = '/inzhua/inzhua/inzhua_main/spider/lvshiminglu/'

log_file = open(LOG_PATH + 'lvshiminglu.log', 'a')
def common(url):

    if not os.path.exists(LOG_PATH):
        os.makedirs(LOG_PATH)

    if not os.path.exists(lvshi_path):
        os.makedirs(lvshi_path)
    time.sleep(4)
    re = requests.get(url)
    ll = url.split('//')[-1].split('/')[-3:]
    file_name=''.join(i for i in ll)+'.html'
    with open(lvshi_path+file_name,'w') as f:
        f.write(re.text)

    soup = BeautifulSoup(re.text,'lxml')
    return soup

def get_main_url():
    widget_categories=common(main_url).select('.widget_categories')[0]

    if len(widget_categories.contents) > 1:
        results = widget_categories.find_all('li')
        for result in results:
            count = list(result.strings)[-1]
            a_tag = result.find('a')
            href=a_tag.get('href')
            name = a_tag.string
            ProvinceLawOffice.objects.create(
                url=href,
                name=name,
                count= count.split('(')[-1].split(')')[0]
            )


def get_404():
    print common(main_url).title.string  #律师名录网» 未找到页面

# get_404()

def get_lvshi_main_info():
    provinceLawOffices = ProvinceLawOffice.objects.all()
    for plo in provinceLawOffices:
        if plo.exceptPage=='':
            i=1
        else:
            i=int(plo.exceptPage.split(',')[0])+1
        target_url = plo.url+'/page/'+str(i)


        soup = common(target_url)
        while soup.title.string !='律师名录网» 未找到页面':
            try:

                archive= soup.find(id='archive')
                li_list = archive.find_all('li')
                for li in li_list:
                    try:
                        h3 = li.find('h3')
                        name = list(h3.strings)[-1]
                        url = h3.find('a').get('href')
                        excerpt = li.select('.excerpt')[0].find('p').string
                        divs = li.select('.small')
                        if len(divs)==2:
                            classify=''
                            for string in divs[0].strings:
                                classify+=string
                            tag =''
                            for string in divs[1].strings:
                                tag+=string
                            tag_url = divs[1].find('a').get('href')
                        else:
                            classify=''
                            tag=''
                            tag_url=''
                        # print  name, url, excerpt, classify,tag, tag_url

                        LawOfficeMainInfo.objects.create(
                            provinceLawOffice=plo,
                            name= name.strip(),
                            url=url,
                            excerpt=excerpt,
                            classify=classify.strip(),
                            tag=tag.strip(),
                            tag_url=tag_url,
                        )
                    except Exception as e:
                        print 'error at 1',e
                        plo.exceptPage=plo.exceptPage+str(i)+','
                        plo.save()
            except Exception as e:
                print 'error at 2,',e
                plo.exceptPage = plo.exceptPage + str(i) + ','
                plo.save()
            i+=1
            target_url = plo.url + '/page/' + str(i)
            print target_url
            soup = common(target_url)

        plo.exceptPage = plo.exceptPage + str(i) + ','
        plo.save()
        print('current page is ',str(i))
        plo.isVisited=1
        plo.save()


# get_lvshi_main_info()

def get_lvshi_detail_info(i,process_num):
    lawOffices = LawOfficeMainInfo.objects.filter(isVisited=0)
    slice_len = lawOffices.count()/process_num
    if i+1<process_num:
        lawOffices = lawOffices[i*slice_len:(i+1)*slice_len]
    else:
        lawOffices = lawOffices[i*slice_len:]
    for lo in lawOffices:
        print('current is %d name is %s' %(lo.id,lo.name))
        soup = common(lo.url)
        try:
            content = soup.find(id='content').select('.content')[0]
            for string in content.strings:
                string = string.strip()
                if string != '':
                    LawOfficeDetailInfo.objects.create(
                        lawOffice_id=lo.id,
                        info=string
                    )
        except Exception as e:
            print ('error at %d name is %s' %(lo.id,lo.name))
            lo.isFailed=1
            lo.save()
        lo.isVisited=1
        lo.save()

from multiprocessing import Pool
import os, time, random

if __name__=='__main__':
    print 'Parent process %s.' % os.getpid()
    p =Pool()
    process_num = 10
    for i in range(process_num):
        p.apply_async(get_lvshi_detail_info, args=(i,process_num,))
    print 'Waiting for all subprocesses done...'
    p.close()
    p.join()
    print 'All subprocesses done.'


# get_lvshi_detail_info()

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 159,716评论 4 364
  • 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 67,558评论 1 294
  • 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 109,431评论 0 244
  • 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 44,127评论 0 209
  • 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 52,511评论 3 287
  • 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 40,692评论 1 222
  • 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 31,915评论 2 313
  • 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 30,664评论 0 202
  • 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 34,412评论 1 246
  • 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 30,616评论 2 245
  • 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 32,105评论 1 260
  • 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 28,424评论 2 254
  • 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 33,098评论 3 238
  • 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 26,096评论 0 8
  • 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 26,869评论 0 197
  • 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 35,748评论 2 276
  • 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 35,641评论 2 271

推荐阅读更多精彩内容