使用scrapy框架采集企业黄页数据

2024-01-01 06:32

本文主要是介绍使用scrapy框架采集企业黄页数据,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!

今天闲着无聊,好就没用scrapy框架写爬虫了,于是就写了一个企业黄页的爬虫脚本,采集顺企网黄页数据,保存到mongodb,话不多说,简单看下代码吧。

下面部分是spider代码(习惯使用beautifulsoup了QAQ)

import scrapy
from bs4 import BeautifulSoup
from shunqi.items import ShunqiItem
import reclass EpregSpider(scrapy.Spider):name = 'epreg'allowed_domains = ['11467.com']start_url = "http://b2b.11467.com/"def start_requests(self):yield scrapy.Request(url=self.start_url,callback=self.get_city)def get_city(self,response):soup = BeautifulSoup(response.text,"lxml")dl_listtxt = soup.find(text="按城市浏览全国公司黄页").findNext("div").find_all("dl",attrs={"class":"listtxt"})for dl in dl_listtxt:province = dl.find("dt").text.strip()dd_list = dl.find_all("dd")for dd in dd_list:city = dd.text.strip()city_link = "https:" + dd.find("a")["href"]yield scrapy.Request(url=city_link,callback=self.get_class,meta={"city":city,"province":province})def get_class(self,response):city = response.meta["city"]province = response.meta["province"]soup = BeautifulSoup(response.text,"lxml")class_all = soup.find(text=re.compile("公司分类")).findNext("ul").find_all("li")for li in class_all:dd_all = li.find("dl").find_all("dd")for dd in dd_all:cor_link = "https:" + dd.find("a")["href"]yield scrapy.Request(url=cor_link,callback=self.get_cor,meta={"city":city,"province":province})def get_cor(self,response):city = response.meta["city"]province = response.meta["province"]soup = BeautifulSoup(response.text,"lxml")company_list = soup.find("ul",attrs={"class":"companylist"})if company_list:company_list1 = company_list.find_all("div",attrs={"class","f_l"})for li in company_list1:whole_url = "https:" + li.find("h4").findNext("a")["href"]if "qiye" in whole_url:whole_url = whole_url + "#contact"else:whole_url = "https:" + li.find("h4").findNext("a")["href"]yield scrapy.Request(url=whole_url,callback=self.get_info,meta={"url":whole_url,"city":city,"province":province})is_pages = soup.find("div",attrs={"class","pages"})if is_pages:max_page = is_pages.find(text="尾页").findParent("a")["href"].split("-")[1].replace(".htm")page_href = is_pages.find(text="尾页").findParent("a")["href"]for page in range(2,int(max_page)+1):page_url = page_href.split("-")[0] + "-" + str(page) + ".htm"yield scrapy.Request(url=page_url,callback=self.get_cor,meta={"city":city,"province":province})def deal_item(self,soup,text,label):try:data = soup.find(text=re.compile("%s" % text)).findNext("%s" % label).text.strip().replace("\r\n","")except:data = Nonereturn datadef get_info(self,response):item = ShunqiItem()whole_url = response.meta["url"]if "qiye" in whole_url:id = re.search("qiye\/(\d+)\.htm",whole_url,re.S).group(1)else:id = re.search("co\/(\d+)\.htm",whole_url,re.S).group(1)city= response.meta["city"]province = response.meta["province"]soup = BeautifulSoup(response.text,"lxml")adress = self.deal_item(soup,"公司地址:","dd")phone = self.deal_item(soup,"固定电话:","dd")manager = self.deal_item(soup,"经理:","dd")if self.deal_item(soup,"手机号码:","dd") == None:link_phone = self.deal_item(soup,"经理手机:","dd")else:link_phone= self.deal_item(soup,"手机号码:","dd")email = self.deal_item(soup,"电子邮件:","dd")cor_name = self.deal_item(soup,"法人名称:","td")business = self.deal_item(soup,"经营范围:","td")main_product = self.deal_item(soup,"主要经营产品:","td")for field in item.fields:item[field] = eval(field)yield item

下面是采集到一些数据的截图
在这里插入图片描述
以上就是基本的一些代码,本文章只是提供一些采集思路,有兴趣的可以自己写一下,不是很复杂。同时欢迎访问个人博客主页… …

这篇关于使用scrapy框架采集企业黄页数据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/558399

相关文章

python使用库爬取m3u8文件的示例

《python使用库爬取m3u8文件的示例》本文主要介绍了python使用库爬取m3u8文件的示例,可以使用requests、m3u8、ffmpeg等库,实现获取、解析、下载视频片段并合并等步骤,具有... 目录一、准备工作二、获取m3u8文件内容三、解析m3u8文件四、下载视频片段五、合并视频片段六、错误

gitlab安装及邮箱配置和常用使用方式

《gitlab安装及邮箱配置和常用使用方式》:本文主要介绍gitlab安装及邮箱配置和常用使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1.安装GitLab2.配置GitLab邮件服务3.GitLab的账号注册邮箱验证及其分组4.gitlab分支和标签的

SpringBoot3应用中集成和使用Spring Retry的实践记录

《SpringBoot3应用中集成和使用SpringRetry的实践记录》SpringRetry为SpringBoot3提供重试机制,支持注解和编程式两种方式,可配置重试策略与监听器,适用于临时性故... 目录1. 简介2. 环境准备3. 使用方式3.1 注解方式 基础使用自定义重试策略失败恢复机制注意事项

nginx启动命令和默认配置文件的使用

《nginx启动命令和默认配置文件的使用》:本文主要介绍nginx启动命令和默认配置文件的使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录常见命令nginx.conf配置文件location匹配规则图片服务器总结常见命令# 默认配置文件启动./nginx

在Windows上使用qemu安装ubuntu24.04服务器的详细指南

《在Windows上使用qemu安装ubuntu24.04服务器的详细指南》本文介绍了在Windows上使用QEMU安装Ubuntu24.04的全流程:安装QEMU、准备ISO镜像、创建虚拟磁盘、配置... 目录1. 安装QEMU环境2. 准备Ubuntu 24.04镜像3. 启动QEMU安装Ubuntu4

使用Python和OpenCV库实现实时颜色识别系统

《使用Python和OpenCV库实现实时颜色识别系统》:本文主要介绍使用Python和OpenCV库实现的实时颜色识别系统,这个系统能够通过摄像头捕捉视频流,并在视频中指定区域内识别主要颜色(红... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间详解

Windows下C++使用SQLitede的操作过程

《Windows下C++使用SQLitede的操作过程》本文介绍了Windows下C++使用SQLite的安装配置、CppSQLite库封装优势、核心功能(如数据库连接、事务管理)、跨平台支持及性能优... 目录Windows下C++使用SQLite1、安装2、代码示例CppSQLite:C++轻松操作SQ

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

Python常用命令提示符使用方法详解

《Python常用命令提示符使用方法详解》在学习python的过程中,我们需要用到命令提示符(CMD)进行环境的配置,:本文主要介绍Python常用命令提示符使用方法的相关资料,文中通过代码介绍的... 目录一、python环境基础命令【Windows】1、检查Python是否安装2、 查看Python的安

Python并行处理实战之如何使用ProcessPoolExecutor加速计算

《Python并行处理实战之如何使用ProcessPoolExecutor加速计算》Python提供了多种并行处理的方式,其中concurrent.futures模块的ProcessPoolExecu... 目录简介完整代码示例代码解释1. 导入必要的模块2. 定义处理函数3. 主函数4. 生成数字列表5.