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

Java注解之超越Javadoc的元数据利器详解

《Java注解之超越Javadoc的元数据利器详解》本文将深入探讨Java注解的定义、类型、内置注解、自定义注解、保留策略、实际应用场景及最佳实践,无论是初学者还是资深开发者,都能通过本文了解如何利用... 目录什么是注解?注解的类型内置注编程解自定义注解注解的保留策略实际用例最佳实践总结在 Java 编程

一文教你Python如何快速精准抓取网页数据

《一文教你Python如何快速精准抓取网页数据》这篇文章主要为大家详细介绍了如何利用Python实现快速精准抓取网页数据,文中的示例代码简洁易懂,具有一定的借鉴价值,有需要的小伙伴可以了解下... 目录1. 准备工作2. 基础爬虫实现3. 高级功能扩展3.1 抓取文章详情3.2 保存数据到文件4. 完整示例

使用Java将各种数据写入Excel表格的操作示例

《使用Java将各种数据写入Excel表格的操作示例》在数据处理与管理领域,Excel凭借其强大的功能和广泛的应用,成为了数据存储与展示的重要工具,在Java开发过程中,常常需要将不同类型的数据,本文... 目录前言安装免费Java库1. 写入文本、或数值到 Excel单元格2. 写入数组到 Excel表格

python处理带有时区的日期和时间数据

《python处理带有时区的日期和时间数据》这篇文章主要为大家详细介绍了如何在Python中使用pytz库处理时区信息,包括获取当前UTC时间,转换为特定时区等,有需要的小伙伴可以参考一下... 目录时区基本信息python datetime使用timezonepandas处理时区数据知识延展时区基本信息

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理(处理粘包/拆包)3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义

SpringMVC 通过ajax 前后端数据交互的实现方法

《SpringMVC通过ajax前后端数据交互的实现方法》:本文主要介绍SpringMVC通过ajax前后端数据交互的实现方法,本文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... 在前端的开发过程中,经常在html页面通过AJAX进行前后端数据的交互,SpringMVC的controll

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类