利用python爬取赶集网二手货物数据

前言:

在之前的文章中,简单的利用python爬取了代理ip的数据,在这篇文章中讲述一下利用之前用到的爬虫技术爬取赶集网二手货物的相关数据.

思路简介:

通过分析赶集网的商品信息,首先爬取二手商品分类的链接,然后再分别爬取二手商品的具体链接并将其放入数据库中,再通过查询数据库中的链接来完成对商品的具体信息的爬取.

工具:

IDE:Pycharm
环境:Python3.6
数据库:MongoDB

数据库的创建:

client = pymongo.MongoClient('localhost',27017)
ganji = client['ganji_data']
url_list = ganji['url_list']
item_info = ganji['item_info']

代理ip的获取:

def get_ips(url):
    ips_data = requests.get(url,headers=headers)
    soup_ips = BeautifulSoup(ips_data.text,'lxml')
    time.sleep(0.5)
    ips = soup_ips.select('table#ip_list > tr > td')

    i = 1
    j = 2
    k = 5
    ips_list = []
    data = {}
    while(i < len(ips)):
        if ips[i]:
            data['ip'] = ips[i].text
        if ips[j]:
            data['port'] = ips[j].text
        if ips[k].text is not 'sock4/5':

            data['http_info'] = ips[k].text


        i = i + 8
        j = j + 8
        k = k + 8
        if data['http_info'] != 'socks4/5':

           ips_list.append(data['http_info'].lower()+"://"+data['ip']+":"+data['port'])
    return ips_list

代理ip的处理函数:

由于协议类型不同,所以面对不同的ip类型,应该分别做不同处理,代码如下

def proxys():
    url = "http://www.xicidaili.com/"

    ips_list = get_ips(url)
    proxy_ip = random.choice(ips_list)
    if proxy_ip.startswith('http'):
        proxies = {'http':proxy_ip}
    elif proxy_ip.startswith('https'):
        proxies = {'https':proxy_ip}
    return proxies

商品分类链接的爬取:

url_host = 'http://lz.ganji.com'
start_url = 'http://lz.ganji.com/wu/'
channel_list = []
def get_channel(url):

    web_data = requests.get(url)
    soup = BeautifulSoup(web_data.text,'lxml')
    links = soup.select('dl > dd > a')
    for link in links:
        page_url = url_host + link.get('href')
        channel_list.append(page_url)

通过打印channel_list列表,我们可以看到的部分信息如下:

    http://lz.ganji.com/shuangrenchuang/
    http://lz.ganji.com/dianfengshan/
    http://lz.ganji.com/tongche/
    http://lz.ganji.com/qunzi/
    http://lz.ganji.com/fangshaishuang/
    http://lz.ganji.com/iphone/
    http://lz.ganji.com/nokia/
    http://lz.ganji.com/htc/
    http://lz.ganji.com/sanxingshouji/
    http://lz.ganji.com/motorola/
    http://lz.ganji.com/suoniailixin/

定义商品详细信息链接的爬取函数:


links = []
def get_link_from(channel,pages):
    #http://lz.ganji.com//o3/
    pages_url = '{}o{}/'.format(channel,str(pages))
    wb_data = requests.get(url=pages_url,headers=headers)
    soup = BeautifulSoup(wb_data.text,'lxml')

    for link in soup.select('td.t > a'):

            item_link = link.get('href').split('?')[0]

            url_list.insert_one({'url':item_link})
            links.append(item_link)


    return links




定义爬取商品详细信息的函数:

定义爬取商品详细信息的函数如下所示:

def get_item_info(url):
    info_data = requests.get(url,headers=headers,proxies=proxys())
    if info_data.status_code == 404:

        pass
       #保证爬取页面为.shtml,防止错误页面跳出.
    elif url.endswith(".shtml"):

        soup = BeautifulSoup(info_data.text, 'lxml')

        data = {
                'title': soup.select('body > div.content > div > div.box_left > div.info_lubotu > div.box_left_top > h1')[
                    0].text,
                'price': soup.select(
                    'body > div.content > div > div.box_left > div.info_lubotu > div.info_massege > div.price_li > span > i')[
                    0].text.strip(),
                'area': soup.select(
                    'body > div.content > div > div.box_left > div.info_lubotu.clearfix > div.info_massege.left > div.palce_li > span > i')[
                    0].text.strip(),
                'detail': soup.select(
                    'body > div.content > div > div.box_left > div.info_baby > div.baby_talk > div.baby_kuang > p')[
                    0].text.strip('\n')

            }



        item_info.insert_one(data)
    else:
        pass

爬取所有二手商品前一百页的商品链接:

为了保证爬虫的连续运行,防止错误页面跳出,需要加入异常处理.

def get_all_links(channel):
    for i in range(1,100):
        try:

            get_link_from(channel,i)
        except Exception:
            continue

爬取商品的详细链接:

 for url in url_list.find():
        try:
            get_item_info(url['url'])
        except Exception:
            continue

在爬虫的运行过程中,我们需要保证url_list表中的数据不能为空,所以,先执行get_all_links()函数.该函数运行完之后,再执行爬取详细页面信息的函数.

最后:

爬取详细商品链接在主函数里分别如下:

if __name__ == '__main__':
#商品详细信息页面链接的处理
    pool = Pool(processes=6)
    pool.map(get_all_links,channel_list)
    pool.close()
    pool.join()
#商品详细信息的处理
    for url in url_list.find():
        try:
            get_item_info(url['url'])
        except Exception:
            continue
   

注意:

在爬取ip代理的过程中,为了防止频繁的爬取造成网站被block,所以应该加入延时处理.
最后,爬取的结果如下:


url_list.PNG

details.png

完整的代码链接

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 159,290评论 4 363
  • 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 67,399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 109,021评论 0 243
  • 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 44,034评论 0 207
  • 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 52,412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 40,651评论 1 219
  • 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 31,902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 30,605评论 0 199
  • 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 34,339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 30,586评论 2 246
  • 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 32,076评论 1 261
  • 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 28,400评论 2 253
  • 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 33,060评论 3 236
  • 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 26,083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 26,851评论 0 195
  • 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 35,685评论 2 274
  • 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 35,595评论 2 270