Python 爬虫实战计划：第二周作业

爬取北京赶集网——二手市场——所有商品类目的个人类别的商品信息

最近工作上一直比较忙，拖到现在才写完作业，实在是太不好意思了。
统计了一下，总共爬取了 大概三万条数据，每一页有很多的重复的数据。
流程：
1. 获得所有栏目的url
2.获得每个栏目的所有商品链接
2.1：建立栏目对应的抓取股则
3.获得每个商品的详细信息
具体分析：
1. 获得所有栏目的url
a. 栏目的url在 'dl.fenlei > dt > a' 路径下
b. 剔除 手机号码栏目，里面什么也没有
2. 获得每个栏目的第一页商品链接
a. 建立商品链接抓取规则：
经过测试一共有三种抓取规则：
i. 规则1
1) 'div.infocon tr.zzinfo td.t a.t'大部分栏目都是这个规则
ii. 规则2
1) 'a.ft-tit'
2) 栏目：设备办公用品，农用品，闲置礼品，虚拟物品
iii. 规则3：
1) 'div.layoutlist div.infor01 > a'
2) 栏目：杂七杂八，免费赠送，物品交易
其余均为规则1
b. 将抓取到的商品url存储到数据库中：
3. 获得每个栏目的每一页的商品链接：
a. 经过观察发现：
i. 每个栏目的第一页均为： ‘http://bj.ganji.com/栏目url/’
ii. 除了第一页的每一页均为：‘http://bj.ganji.com/栏目/o页码/'
iii. 页码均已 2 开始，表示第二页
b. 边界检查：
i. 爬取到最后一页，则停止爬取
ii. 经过观察发现，每个栏目的每一商品列表页，有三种边界形式
1) 最后一页的下一页，后有一个 空商品列表的页面。
2) 最后一页的下一页，会有一些过时数据(商品)列表页面
第一条形式，我们可以检测，页面商品页面列表是否为空，来进行边界判断。
第二条形式，就不好判断了。因为最后一页的下一页仍然会有商品列表，只是过时数据，但并不是我们想要的。
iii. so，需要另外一种边界判断形式：
1) 我们发现，正常页面每一页都有一个 下一页 的标签，最后一页的下一页，则没有 下一页标签
2) 有一些另外的：
a) 最有一页没有下一页标签，最后一页的下一页，要么是空商品列表页，要么是过时，商品列表页。
b) so，为了简单处理。我们决定，把这个类型的最后一页pass掉，
4. 获得每页的商品信息：
商品信息页面共两种页面：
1. 转转网
1) 获得：标题，价格，类型
2. 赶集网
1) 获得：标题，价格，类型，地域。
实现：
具体分三个实现,一个MongoDB配置文件：
1. 页面链接爬取器：爬取所有页面中的所有商品链接
2. 页面详情爬取器：爬取所有商品链接页面的商品信息。
3. 主程序：入口程序，调用链接爬取器，详情爬取器。
4.MongoDB配置文件
以下为具体代码：
MongoDB配置文件：

#coding=utf-8
"""mongoDB的相关配置"""

from pymongo import MongoClient
client = MongoClient('localhost',27017)
db = client['ganji']
#商品url
bj_item_urls_collenction = db['bj_item_urls_collenction']
#每一页的页码url
bj_page_urls_collenction = db['bj_page_urls_collenction']
#每个商品页码信息
bj_page_info_collenction = db['bj_page_info_collenction']

链接爬取器：

#coding=utf-8
import time
import requests
import mongoConfig
from bs4 import BeautifulSoup

bj_item_urls_collenction = mongoConfig.bj_item_urls_collenction
bj_page_urls_collenction = mongoConfig.bj_page_urls_collenction

def get_html(url):
    """获得html源码"""
    html = None
    headers = {
        'User-Agent': ('Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)'
                       'Chrome/54.0.2840.87 Safari/537.36')
    }
    #request并不会主动抛出http status code 异常，也就是说 404 之类的
    #所有我们只需要捕捉超时异常即可
    try:
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            html = response.text
            print '下载--',url
        else:
            print 'HTTP状态码不对',response.status_code,url
    except requests.Timeout as e:
        print '访问超时 --- ',url
    time.sleep(3)
    return html

def get_all_category_links(url):
    """获得所有栏目的url"""
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    base_url = 'http://bj.ganji.com{}'
    dl = soup.select('dl.fenlei > dt > a')
    links = None
    if dl:
        links = [base_url.format(link.get('href')) for link in dl]
    else:
        print '栏目信息不存在',url
    if 'http://bj.ganji.com/shoujihaoma/' in links:
        links.remove('http://bj.ganji.com/shoujihaoma/')
        print '删除 http://bj.ganji.com/shoujihaoma/'
    return links

def get_item_links(url):
    """获得当前页商品列表的url"""
    html = get_html(url)
    soup = BeautifulSoup(html, 'lxml')
    #三种抓取规则
    item_rules = ['div.infocon tr.zzinfo td.t a.t','a.ft-tit','div.layoutlist div.infor01 > a']
    #a.next 下一页 标签
    if soup.find('a', 'next'):
        for item_rule in item_rules:
            items = soup.select(item_rule)
            if items:
                return [link.get('href').split('?')[0] for link in items]
    return None

def save_to_db(infos):
    """保存到数据库"""
    start = bj_item_urls_collenction.find().count()
    for url in infos:
        if not bj_item_urls_collenction.find_one({'url': url}):
            bj_item_urls_collenction.insert_one({'url': url})
            #print '插入数据库成功 {}'.format(url)
        else:
            pass
            #print '当前商品已经抓取过 {} '.format(url)
    end = bj_item_urls_collenction.find().count()
    print '当前页有 {} 条数据'.format(len(infos))
    print '保存 {} 条数据到数据库'.format(end-start)

def process_main(url):
    """抓取当前栏目的每一页的所有连接"""
    def page_zhuaqu(url):
        is_continue = True
        if not bj_page_urls_collenction.find_one({'url': url}):
            links = get_item_links(url)
            if links:
                save_to_db(links) #保存商品列表到url
                bj_page_urls_collenction.insert_one({'url': url})
                is_continue = True
                print '抓取 {} 页成功'.format(url)
            else:
                print '页面不存在，到达边界', url
                is_continue = False
        else:
            print '当前 {} 页已经抓取过'.format(url)
        return is_continue

    #抓取第一页
    page_zhuaqu(url)
    #抓取其余的页
    page = 2
    is_continue = True
    base_url = url + 'o{}/'
    while is_continue:
        page_url = base_url.format(page)
        is_continue = page_zhuaqu(page_url)
        page += 1

页面详情爬取器：

#coding=utf-8
import time
import requests
import mongoConfig
from bs4 import BeautifulSoup

bj_item_urls_collenction = mongoConfig.bj_item_urls_collenction
bj_page_info_collenction = mongoConfig.bj_page_info_collenction

def get_html(url):
    """获得html源码"""
    html = None
    headers = {
        'User-Agent': ('Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)'
                       'Chrome/54.0.2840.87 Safari/537.36')
    }
    #request并不会主动抛出http status code 异常，也就是说 404 之类的
    #所有我们只需要捕捉超时异常即可
    try:
        response = requests.get(url,headers=headers)
        if response.status_code == 200:
            html = response.text
            print '下载--',url
        else:
            print 'HTTP状态码不对',response.status_code,url
    except requests.Timeout as e:
        print '访问超时 --- ',url
    time.sleep(3)
    return html

def price_to_float(price_tag):
    """价格转换为float格式
        价格 有三种格式：数字型：200     直接转换为数字
                      数字+字符型：1.2万 将万转换为元 12000
                      字符型：面议    不做修改
    """
    price = None
    if price_tag:
        price_str = price_tag[0].get_text()
        if price_str == u'面议':
            price = price_str
        elif price_str.endswith(u'万'):
            price = float(price_str[:-2]) * 10000
        else:
            price = float(price_str)
    return price

def zhuanzhuan_page_parse(soup,url):
    """转转二手交易页面，解析
        获得：标题，价格，地域"""
    area = soup.select('div.palce_li > span > i')
    title = soup.select('h1.info_titile')
    price = soup.select('span.price_now > i')

    data = {'url':url,'title': title[0].get_text() if title else None,
            'price': price_to_float(price),
            'area':area[0].get_text() if area else  None
            }
    return data

def ganji_page_parse(soup,url):
    """赶集网二手交易页面解析
        获得：标题，类型，价格，地域"""
    title= soup.select('h1.title-name')[0].get_text()

    item_soup = soup.select('ul.det-infor > li')
    item_type = item_soup[0].find('a').get_text()
    price = price_to_float(item_soup[1].select('i'))
    area_soup = item_soup[2].find_all('a')
    # BeautifulSoup返回的都是unicode格式的字符串，所以使用unicode格式的字符串来格式化，避免编码问题。
    area = u'{}-{}'.format(area_soup[0].string.strip(), area_soup[1].string.strip())

    data = {
        'url':url,
        'title':title,
        'tiem_type':item_type,
        'price':price,
        'area':area
    }
    return data

def process_main(url):
    """页面解析,并存储"""
    if not bj_page_info_collenction.find_one({'url':url}):
        html = get_html(url)
        soup = BeautifulSoup(html, 'lxml')
        data = None
        if url.startswith('http://bj.ganji.com'):
            data = ganji_page_parse(soup,url)
        elif url.startswith('http://zhuanzhuan.ganji.com'):
            data = zhuanzhuan_page_parse(soup,url)
        bj_page_info_collenction.insert_one(data)
        print '保存数据库成功 {}'.format(url)
    else:
        print '页面已经抓取过 {}'.format(url)

主程序：

#coding=utf-8
import multiprocessing
import mongoConfig
import links_spider
import pages_spider

if __name__ == '__main__':
    #先抓取所有商品连接，保存数据库
    url = 'http://bj.ganji.com/wu/'
    links_urls = links_spider.get_all_category_links(url)
    #未设置进程数，则默认调用cpu个数个进程
    pool = multiprocessing.Pool()
    pool.map_async(links_spider.process_main,links_urls)
    pool.close()
    pool.join()

    #再从数据库中抓取所有商品连接，并解析页面信息
    items_urls =[items['url'] for items in mongoConfig.bj_item_urls_collenction.find({})]

    pool = multiprocessing.Pool()
    pool.map_async(pages_spider.process_main,items_urls)
    pool.close()
    pool.join()

    print '总共保存 {} 条商品url'.format(mongoConfig.bj_item_urls_collenction.find().count())
    print '总共保存 {} 条商品信息'.format(mongoConfig.bj_page_info_collenction.find().count())