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

批量导入txt数据到的redis过程

《批量导入txt数据到的redis过程》用户通过将Redis命令逐行写入txt文件,利用管道模式运行客户端,成功执行批量删除以Product*匹配的Key操作,提高了数据清理效率... 目录批量导入txt数据到Redisjs把redis命令按一条 一行写到txt中管道命令运行redis客户端成功了批量删除k

SpringBoot多环境配置数据读取方式

《SpringBoot多环境配置数据读取方式》SpringBoot通过环境隔离机制,支持properties/yaml/yml多格式配置,结合@Value、Environment和@Configura... 目录一、多环境配置的核心思路二、3种配置文件格式详解2.1 properties格式(传统格式)1.

解决pandas无法读取csv文件数据的问题

《解决pandas无法读取csv文件数据的问题》本文讲述作者用Pandas读取CSV文件时因参数设置不当导致数据错位,通过调整delimiter和on_bad_lines参数最终解决问题,并强调正确参... 目录一、前言二、问题复现1. 问题2. 通过 on_bad_lines=‘warn’ 跳过异常数据3

C#监听txt文档获取新数据方式

《C#监听txt文档获取新数据方式》文章介绍通过监听txt文件获取最新数据,并实现开机自启动、禁用窗口关闭按钮、阻止Ctrl+C中断及防止程序退出等功能,代码整合于主函数中,供参考学习... 目录前言一、监听txt文档增加数据二、其他功能1. 设置开机自启动2. 禁止控制台窗口关闭按钮3. 阻止Ctrl +

java如何实现高并发场景下三级缓存的数据一致性

《java如何实现高并发场景下三级缓存的数据一致性》这篇文章主要为大家详细介绍了java如何实现高并发场景下三级缓存的数据一致性,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 下面代码是一个使用Java和Redisson实现的三级缓存服务,主要功能包括:1.缓存结构:本地缓存:使

在MySQL中实现冷热数据分离的方法及使用场景底层原理解析

《在MySQL中实现冷热数据分离的方法及使用场景底层原理解析》MySQL冷热数据分离通过分表/分区策略、数据归档和索引优化,将频繁访问的热数据与冷数据分开存储,提升查询效率并降低存储成本,适用于高并发... 目录实现冷热数据分离1. 分表策略2. 使用分区表3. 数据归档与迁移在mysql中实现冷热数据分

C#解析JSON数据全攻略指南

《C#解析JSON数据全攻略指南》这篇文章主要为大家详细介绍了使用C#解析JSON数据全攻略指南,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、为什么jsON是C#开发必修课?二、四步搞定网络JSON数据1. 获取数据 - HttpClient最佳实践2. 动态解析 - 快速

一文详解如何使用Java获取PDF页面信息

《一文详解如何使用Java获取PDF页面信息》了解PDF页面属性是我们在处理文档、内容提取、打印设置或页面重组等任务时不可或缺的一环,下面我们就来看看如何使用Java语言获取这些信息吧... 目录引言一、安装和引入PDF处理库引入依赖二、获取 PDF 页数三、获取页面尺寸(宽高)四、获取页面旋转角度五、判断

MyBatis-Plus通用中等、大量数据分批查询和处理方法

《MyBatis-Plus通用中等、大量数据分批查询和处理方法》文章介绍MyBatis-Plus分页查询处理,通过函数式接口与Lambda表达式实现通用逻辑,方法抽象但功能强大,建议扩展分批处理及流式... 目录函数式接口获取分页数据接口数据处理接口通用逻辑工具类使用方法简单查询自定义查询方法总结函数式接口

SQL中如何添加数据(常见方法及示例)

《SQL中如何添加数据(常见方法及示例)》SQL全称为StructuredQueryLanguage,是一种用于管理关系数据库的标准编程语言,下面给大家介绍SQL中如何添加数据,感兴趣的朋友一起看看吧... 目录在mysql中,有多种方法可以添加数据。以下是一些常见的方法及其示例。1. 使用INSERT I