爬虫第三式:某某二手车数据抓取 -二级页面

2023-10-09 05:30

本文主要是介绍爬虫第三式:某某二手车数据抓取 -二级页面,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本章我们就已经彻底跨入高级阶段了,ready?

文章底部有全部代码

接下来我们就带着之前的学习内容,来学习高级阶段了,这次讲的主要内容如下

二级页面爬取、数据持久化MySQL

首先我们先来看一下任务:

1】爬取地址 某某二手车网 - 我要买车 https://www.某某.com/bj/buy/2】爬取目标 所有汽车的 汽车名称、行驶里程、排量、变 速箱、价格 
【3】爬取分析 *********一级页面需抓取*********** 1、车辆详情页的链接 *********二级页面需抓取*********** 1、汽车名称 2、行驶里程 3、排量 4、变速箱 5、价格
  • 实现步骤

第一步 确定响应内容中是否存在所需抓取数据

在这里插入图片描述
我们查看网页源代码也是可以看到的:
在这里插入图片描述
所以这样的就不是动态加载的

第二步 查看要爬取的URL地址,并获取规律:https://www.guazi.com/bj/buy/

第1页: https://www.guazi.com/bj/buy/o1/#bread
第2页: https://www.guazi.com/bj/buy/o2/#bread

第n页: https://www.guazi.com/bj/buy/o{}/#bread

第三步 写正则表达式
一级页面正则表达式:

<li data-scroll-track=.*?href="(.*?)"

二级页面正则表达式:

<div class="product-textbox">.*?<h1 class="titlebox">(.*?)</h1>.*?<li class="two"><span>(.*?)</span>.*?<li class="three"><span>(.*?)</span>.*?<li class="last"><span>(.*?)</span>.*?<span class="price-num">(.*?)</span>

这个正则表达式是会变得,我之前爬过的表达式不是这样的,大家在爬取的时候还是要看一下,这个正则是否对,不对的话还要根据当时的HTML页面进行修改

第四步 代码实现

我们总体的思路还是:定义功能函数,减少重复代码

  1. 导入模块:
import requests
import re
import time
import random
  1. 定义常用变量,url,headers及计数等:
class GuaziSpider:def __init__(self):self.url = 'https://www.guazi.com/bj/buy/o{}/#bread'self.headers = {'Cookie': 'uuid=bcef00ae-5a0b-4b1e-9afb-6f5a01e7a633; cityDomain=bj; ganji_uuid=4748850580491413739853; antipas=4306793i04Y993u91R5Q45485152; lg=1; track_id=154140903399362560; clueSourceCode=%2A%2300; user_city_id=12; Hm_lvt_bf3ee5b290ce731c7a4ce7a617256354=1607691171,1607691369,1607691399,1607905256; guazitrackersessioncadata=%7B%22ca_kw%22%3A%22%25e7%2593%259c%25e5%25ad%2590%25e4%25ba%258c%25e6%2589%258b%25e8%25bd%25a6%22%7D; sessionid=23660523-0a05-4211-e3ef-c618fd61b415; lng_lat=116.41119_39.89243; gps_type=1; close_finance_popup=2020-12-14; cainfo=%7B%22ca_a%22%3A%22-%22%2C%22ca_b%22%3A%22-%22%2C%22ca_s%22%3A%22pz_baidu%22%2C%22ca_n%22%3A%22pcbiaoti%22%2C%22ca_medium%22%3A%22-%22%2C%22ca_term%22%3A%22-%22%2C%22ca_content%22%3A%22%22%2C%22ca_campaign%22%3A%22%22%2C%22ca_kw%22%3A%22%25e7%2593%259c%25e5%25ad%2590%25e4%25ba%258c%25e6%2589%258b%25e8%25bd%25a6%22%2C%22ca_i%22%3A%22-%22%2C%22scode%22%3A%22-%22%2C%22keyword%22%3A%22-%22%2C%22ca_keywordid%22%3A%22-%22%2C%22ca_transid%22%3A%22%22%2C%22platform%22%3A%221%22%2C%22version%22%3A1%2C%22track_id%22%3A%22154140903399362560%22%2C%22display_finance_flag%22%3A%22-%22%2C%22client_ab%22%3A%22-%22%2C%22guid%22%3A%22bcef00ae-5a0b-4b1e-9afb-6f5a01e7a633%22%2C%22ca_city%22%3A%22bj%22%2C%22sessionid%22%3A%2223660523-0a05-4211-e3ef-c618fd61b415%22%7D; preTime=%7B%22last%22%3A1607905259%2C%22this%22%3A1605602948%2C%22pre%22%3A1605602948%7D; Hm_lpvt_bf3ee5b290ce731c7a4ce7a617256354=1607905260','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36',}

注意!!!!!!

这个cookie
      第一没有’s’ ,就是cookie

      第二自己设置自己的不要复制我的,因为电脑不一样,访问网站的的cookie也不一样,具体怎么找cookie如下

先点进某某二手车网站 — 我要买车 — F12

在这里插入图片描述

像这样,找到3也就是cookie字样,复制所有的cookie里面的东西,从头到尾,
User-Agent也需要自己设置,现在去网上搜一下,或者可以在这个cookie下面也有你浏览器的User-Agent,也可以用(推荐) 后面我们使用更简单的方法设置User-Agent

  1. 获取响应内容函数 获取html
def get_html(self, url):html = requests.get(url=url, headers=self.headers).content.decode('utf-8', 'ignore')# 多级页面或者需要多次发请求,需要额外定义功能函数时,我们使用 return htmlreturn html
  1. 使用正则表达式来解析页面,提取数据
def parse_html(self, one_url):"""爬虫逻辑函数"""one_html = self.get_html(url=one_url)one_regex = '<li data-scroll-track=.*?href="(.*?)"'href_list = self.re_func(regex=one_regex, html=one_html)for href in href_list:two_url = 'https://www.guazi.com' + href# 获取一辆汽车详情页的具体数据self.get_one_car_info(two_url)# 控制数据抓取的频率time.sleep(random.uniform(0, 1))
  1. 获取一辆汽车的具体数据
def get_one_car_info(self, two_url):# 名称、行驶里程、排量、变速箱、价格two_html = self.get_html(url=two_url)two_regex = '<div class="product-textbox">.*?<h1 class="titlebox">(.*?)</h1>.*?<li class="two"><span>(.*?)</span>.*?<li class="three"><span>(.*?)</span>.*?<li class="last"><span>(.*?)</span>.*?<span class="price-num">(.*?)</span>'car_info_list = self.re_func(regex=two_regex, html=two_html)# 获取具体数据item = {}item['name'] = car_info_list[0][0].strip().split('\r\n')[0].strip()item['km'] = car_info_list[0][1].strip()item['displace'] = car_info_list[0][2].strip()item['type'] = car_info_list[0][3].strip()item['price'] = car_info_list[0][4].strip()print(item)
  1. 程序入口函数,用来控制整体逻辑
def run(self):for o in range(1, 6):one_url = self.url.format(o)self.parse_html(one_url=one_url)

最后上传所有代码(不存储数据库的):

import requests
import re
import time
import randomclass GuaziSpider:def __init__(self):self.url = 'https://www.guazi.com/bj/buy/o{}/#bread'self.headers = {'Cookie': 'uuid=bcef00ae-5a0b-4b1e-9afb-6f5a01e7a633; cityDomain=bj; ganji_uuid=4748850580491413739853; antipas=4306793i04Y993u91R5Q45485152; lg=1; track_id=154140903399362560; clueSourceCode=%2A%2300; user_city_id=12; Hm_lvt_bf3ee5b290ce731c7a4ce7a617256354=1607691171,1607691369,1607691399,1607905256; guazitrackersessioncadata=%7B%22ca_kw%22%3A%22%25e7%2593%259c%25e5%25ad%2590%25e4%25ba%258c%25e6%2589%258b%25e8%25bd%25a6%22%7D; sessionid=23660523-0a05-4211-e3ef-c618fd61b415; lng_lat=116.41119_39.89243; gps_type=1; close_finance_popup=2020-12-14; cainfo=%7B%22ca_a%22%3A%22-%22%2C%22ca_b%22%3A%22-%22%2C%22ca_s%22%3A%22pz_baidu%22%2C%22ca_n%22%3A%22pcbiaoti%22%2C%22ca_medium%22%3A%22-%22%2C%22ca_term%22%3A%22-%22%2C%22ca_content%22%3A%22%22%2C%22ca_campaign%22%3A%22%22%2C%22ca_kw%22%3A%22%25e7%2593%259c%25e5%25ad%2590%25e4%25ba%258c%25e6%2589%258b%25e8%25bd%25a6%22%2C%22ca_i%22%3A%22-%22%2C%22scode%22%3A%22-%22%2C%22keyword%22%3A%22-%22%2C%22ca_keywordid%22%3A%22-%22%2C%22ca_transid%22%3A%22%22%2C%22platform%22%3A%221%22%2C%22version%22%3A1%2C%22track_id%22%3A%22154140903399362560%22%2C%22display_finance_flag%22%3A%22-%22%2C%22client_ab%22%3A%22-%22%2C%22guid%22%3A%22bcef00ae-5a0b-4b1e-9afb-6f5a01e7a633%22%2C%22ca_city%22%3A%22bj%22%2C%22sessionid%22%3A%2223660523-0a05-4211-e3ef-c618fd61b415%22%7D; preTime=%7B%22last%22%3A1607905259%2C%22this%22%3A1605602948%2C%22pre%22%3A1605602948%7D; Hm_lpvt_bf3ee5b290ce731c7a4ce7a617256354=1607905260','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36',}def get_html(self, url):"""请求功能函数: 获取html"""html = requests.get(url=url, headers=self.headers).content.decode('utf-8', 'ignore')return htmldef re_func(self, regex, html):"""解析功能函数: 正则解析得到列表"""pattern = re.compile(regex, re.S)r_list = pattern.findall(html)return r_listdef parse_html(self, one_url):"""爬虫逻辑函数"""one_html = self.get_html(url=one_url)one_regex = '<li data-scroll-track=.*?href="(.*?)"'href_list = self.re_func(regex=one_regex, html=one_html)for href in href_list:two_url = 'https://www.guazi.com' + href# 获取一辆汽车详情页的具体数据self.get_one_car_info(two_url)# 控制数据抓取的频率time.sleep(random.uniform(0, 1))def get_one_car_info(self, two_url):"""获取一辆汽车的具体数据"""# 名称、行驶里程、排量、变速箱、价格two_html = self.get_html(url=two_url)two_regex = '<div class="product-textbox">.*?<h1 class="titlebox">(.*?)</h1>.*?<li class="two"><span>(.*?)</span>.*?<li class="three"><span>(.*?)</span>.*?<li class="last"><span>(.*?)</span>.*?<span class="price-num">(.*?)</span>'car_info_list = self.re_func(regex=two_regex, html=two_html)# 获取具体数据item = {}item['name'] = car_info_list[0].strip().split('\r\n')[0].strip()item['km'] = car_info_list[0].strip()item['displace'] = car_info_list[0].strip()item['type'] = car_info_list[0].strip()item['price'] = car_info_list[0].strip()print(item)def run(self):for o in range(1, 6):one_url = self.url.format(o)self.parse_html(one_url=one_url)if __name__ == '__main__':spider = GuaziSpider()spider.run()

大家可以自己运行一下试试
接下来就是数据的存储了,我们爬去完了以后想要存储数据,可以存到数据库、csv等里面,保持数据的持久化存储,接下来我们先介绍MySQL存储:
看一下MySQL存储的大概步骤:

使用excute()方法将数据存入数据库思路

import pymysql    # 在Python中导入pymysql模块,我们使用Python连接数据库# 在 __init__() 中连接数据库并创建游标对象
# __init__(self):self.db = pymysql.connect('IP',... ...)self.cursor = self.db.cursor()# 在 save_html() 中将所抓取的数据处理成列表,使用execute()方法写入
# save_html(self,r_list):self.cursor.execute('sql',[data1])self.db.commit()# 在run() 中等数据抓取完成后关闭游标及断开数据库连接
# run(self):self.cursor.close()self.db.close()

MySQL存储一定要看这里!!!!!!!!!!!!!!

当然我们要在MySQL数据创建一个数据库用来存储此次爬取的数据,代码如下,直接复制粘贴即可:
create database maoyandb charset utf8;
use maoyandb;
create table maoyantab(
name varchar(200),
star varchar(500),
time varchar(100)
)charset=utf8;

现在我们就将改写的MySQL存储所有代码奉上,同样的cookie和User-Agent用自己浏览器的

import requests
import re
import time
import random
import pymysqlclass GuaziSpider:def __init__(self):self.url = 'https://www.guazi.com/bj/buy/o{}/#bread'self.headers = {'Cookie': 'uuid=bcef00ae-5a0b-4b1e-9afb-6f5a01e7a633; cityDomain=bj; ganji_uuid=4748850580491413739853; antipas=4306793i04Y993u91R5Q45485152; lg=1; track_id=154140903399362560; clueSourceCode=%2A%2300; user_city_id=12; Hm_lvt_bf3ee5b290ce731c7a4ce7a617256354=1607691171,1607691369,1607691399,1607905256; guazitrackersessioncadata=%7B%22ca_kw%22%3A%22%25e7%2593%259c%25e5%25ad%2590%25e4%25ba%258c%25e6%2589%258b%25e8%25bd%25a6%22%7D; sessionid=23660523-0a05-4211-e3ef-c618fd61b415; lng_lat=116.41119_39.89243; gps_type=1; close_finance_popup=2020-12-14; cainfo=%7B%22ca_a%22%3A%22-%22%2C%22ca_b%22%3A%22-%22%2C%22ca_s%22%3A%22pz_baidu%22%2C%22ca_n%22%3A%22pcbiaoti%22%2C%22ca_medium%22%3A%22-%22%2C%22ca_term%22%3A%22-%22%2C%22ca_content%22%3A%22%22%2C%22ca_campaign%22%3A%22%22%2C%22ca_kw%22%3A%22%25e7%2593%259c%25e5%25ad%2590%25e4%25ba%258c%25e6%2589%258b%25e8%25bd%25a6%22%2C%22ca_i%22%3A%22-%22%2C%22scode%22%3A%22-%22%2C%22keyword%22%3A%22-%22%2C%22ca_keywordid%22%3A%22-%22%2C%22ca_transid%22%3A%22%22%2C%22platform%22%3A%221%22%2C%22version%22%3A1%2C%22track_id%22%3A%22154140903399362560%22%2C%22display_finance_flag%22%3A%22-%22%2C%22client_ab%22%3A%22-%22%2C%22guid%22%3A%22bcef00ae-5a0b-4b1e-9afb-6f5a01e7a633%22%2C%22ca_city%22%3A%22bj%22%2C%22sessionid%22%3A%2223660523-0a05-4211-e3ef-c618fd61b415%22%7D; preTime=%7B%22last%22%3A1607905259%2C%22this%22%3A1605602948%2C%22pre%22%3A1605602948%7D; Hm_lpvt_bf3ee5b290ce731c7a4ce7a617256354=1607905260','User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.116 Safari/537.36',}self.db = pymysql.connect('localhost', 'root', '123456', 'guazidb', charset='utf8')self.cur = self.db.cursor()def get_html(self, url):"""请求功能函数: 获取html"""html = requests.get(url=url, headers=self.headers).content.decode('utf-8', 'ignore')return htmldef re_func(self, regex, html):"""解析功能函数: 正则解析得到列表"""pattern = re.compile(regex, re.S)r_list = pattern.findall(html)return r_listdef parse_html(self, one_url):"""爬虫逻辑函数"""one_html = self.get_html(url=one_url)one_regex = '<li data-scroll-track=.*?href="(.*?)"'href_list = self.re_func(regex=one_regex, html=one_html)for href in href_list:two_url = 'https://www.guazi.com' + href# 获取一辆汽车详情页的具体数据self.get_one_car_info(two_url)# 控制数据抓取的频率time.sleep(random.uniform(0, 1))def get_one_car_info(self, two_url):"""获取一辆汽车的具体数据"""# 名称、行驶里程、排量、变速箱、价格two_html = self.get_html(url=two_url)two_regex = '<div class="product-textbox">.*?<h2 class="titlebox">(.*?)</h2>.*?<li class="two"><span>(.*?)</span>.*?<li class="three"><span>(.*?)</span>.*?<li class="last"><span>(.*?)</span>.*?<span class="price-num">(.*?)</span>'car_info_list = self.re_func(regex=two_regex, html=two_html)# 获取具体数据item = {}item['name'] = car_info_list[0][0].strip().split('\r\n')[0].strip()item['km'] = car_info_list[0][1].strip()item['displace'] = car_info_list[0][2].strip()item['type'] = car_info_list[0][3].strip()item['price'] = car_info_list[0][4].strip()print(item)li = [item['name'], item['km'], item['displace'], item['type'], item['price']]ins = 'insert into guazitab values(%s,%s,%s,%s,%s)'self.cur.execute(ins, li)self.db.commit()def run(self):for o in range(1, 3):one_url = self.url.format(o)self.parse_html(one_url=one_url)# 断开数据库self.cur.close()self.db.close()if __name__ == '__main__':spider = GuaziSpider()spider.run()

这篇关于爬虫第三式:某某二手车数据抓取 -二级页面的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/170693

相关文章

SQL Server修改数据库名及物理数据文件名操作步骤

《SQLServer修改数据库名及物理数据文件名操作步骤》在SQLServer中重命名数据库是一个常见的操作,但需要确保用户具有足够的权限来执行此操作,:本文主要介绍SQLServer修改数据... 目录一、背景介绍二、操作步骤2.1 设置为单用户模式(断开连接)2.2 修改数据库名称2.3 查找逻辑文件名

canal实现mysql数据同步的详细过程

《canal实现mysql数据同步的详细过程》:本文主要介绍canal实现mysql数据同步的详细过程,本文通过实例图文相结合给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的... 目录1、canal下载2、mysql同步用户创建和授权3、canal admin安装和启动4、canal

使用SpringBoot整合Sharding Sphere实现数据脱敏的示例

《使用SpringBoot整合ShardingSphere实现数据脱敏的示例》ApacheShardingSphere数据脱敏模块,通过SQL拦截与改写实现敏感信息加密存储,解决手动处理繁琐及系统改... 目录痛点一:痛点二:脱敏配置Quick Start——Spring 显示配置:1.引入依赖2.创建脱敏

详解如何使用Python构建从数据到文档的自动化工作流

《详解如何使用Python构建从数据到文档的自动化工作流》这篇文章将通过真实工作场景拆解,为大家展示如何用Python构建自动化工作流,让工具代替人力完成这些数字苦力活,感兴趣的小伙伴可以跟随小编一起... 目录一、Excel处理:从数据搬运工到智能分析师二、PDF处理:文档工厂的智能生产线三、邮件自动化:

Python数据分析与可视化的全面指南(从数据清洗到图表呈现)

《Python数据分析与可视化的全面指南(从数据清洗到图表呈现)》Python是数据分析与可视化领域中最受欢迎的编程语言之一,凭借其丰富的库和工具,Python能够帮助我们快速处理、分析数据并生成高质... 目录一、数据采集与初步探索二、数据清洗的七种武器1. 缺失值处理策略2. 异常值检测与修正3. 数据

pandas实现数据concat拼接的示例代码

《pandas实现数据concat拼接的示例代码》pandas.concat用于合并DataFrame或Series,本文主要介绍了pandas实现数据concat拼接的示例代码,具有一定的参考价值,... 目录语法示例:使用pandas.concat合并数据默认的concat:参数axis=0,join=

C#代码实现解析WTGPS和BD数据

《C#代码实现解析WTGPS和BD数据》在现代的导航与定位应用中,准确解析GPS和北斗(BD)等卫星定位数据至关重要,本文将使用C#语言实现解析WTGPS和BD数据,需要的可以了解下... 目录一、代码结构概览1. 核心解析方法2. 位置信息解析3. 经纬度转换方法4. 日期和时间戳解析5. 辅助方法二、L

使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)

《使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)》字体设计和矢量图形处理是编程中一个有趣且实用的领域,通过Python的matplotlib库,我们可以轻松将字体轮廓... 目录背景知识字体轮廓的表示实现步骤1. 安装依赖库2. 准备数据3. 解析路径指令4. 绘制图形关键

解决mysql插入数据锁等待超时报错:Lock wait timeout exceeded;try restarting transaction

《解决mysql插入数据锁等待超时报错:Lockwaittimeoutexceeded;tryrestartingtransaction》:本文主要介绍解决mysql插入数据锁等待超时报... 目录报错信息解决办法1、数据库中执行如下sql2、再到 INNODB_TRX 事务表中查看总结报错信息Lock

使用C#删除Excel表格中的重复行数据的代码详解

《使用C#删除Excel表格中的重复行数据的代码详解》重复行是指在Excel表格中完全相同的多行数据,删除这些重复行至关重要,因为它们不仅会干扰数据分析,还可能导致错误的决策和结论,所以本文给大家介绍... 目录简介使用工具C# 删除Excel工作表中的重复行语法工作原理实现代码C# 删除指定Excel单元