Python爬虫学习－爬取大规模数据(10w级）

编译环境：python v3.5.0, mac osx 10.11.4
<big>python爬虫基础知识: Python爬虫学习－基础爬取</big>

了解数据库 MongoDB

• 数据库是储存数据的地方,可以将如下的字典结构插入到MongoDB的存储单元中。
  data = {
  'name':peter
  'id':123
  ...
  } ＃ 需存储的文件

• 数据库的构成：可以将其类比于excel表格进行理解
  client = pymongo.MongoClient('localhost',27017) # 将python与mongodb进行连接，'localhost'表示本地环境, 207017是端口号
  walden = client['walden'] ＃ 创建一个库文件
  以上代码可以类似于创建一个excel文件，文件名为walden

  
  
  

  sheet_tab = walden['sheet_tab'] # 在库文件中建立一个页面名叫 sheet_tab
  以上代码可以类似于创建excel文件中的一个表单

  
  
• 数据库的基本操作：
  1. 向页边中插入数据：sheet_tab.insert_one(data)
     其中data为python中的字典结构，可有如下代码生成：
     path = './walden.txt' # 输入数据的路径，为读取数据做准备
     with open(path,'r') as f: ＃ 打开文件，为只读模式
     lines = f.readlines()
     for index,line in enumerate(lines): ＃ 逐个生成字典元素
     data = {
     'index':index,
     'line' :line,
     'words':len(line.split())
     }
     sheet_tab.insert_one(data) ＃ 将字典元素插入库文件页面中

2. 筛选数据库中的数据（基础筛选）
   sheet_tab.find({'words':{'$lt':5}} # 选择字典中关键字words对应值小于5的所有字典元素
   # $lt/$lte/$gt/$gte/$ne，依次等价于</<=/>/>=/!=。（l表示less g表示greater e表示equal n表示not ）

基础实战（筛选房源）

筛选小猪短租网站前三页信息储存到MongoDB中，筛选出价格大于等于500元房源，并打印出来。房源信息具体要求如下：

• <big>实战源码</big> （下载地址xiaozhu.py）
  # -- coding: utf-8 --
  import requests, time, pymongo
  from bs4 import BeautifulSoup
  def gender_info(soup): # 获取性别信息
  gender = 'female' if soup.find_all('div','div.member_ico1') else 'male'
  return gender
  def get_info(url): ＃ 获取所需的房源信息
  wb_data = requests.get(url) # 向服务器请求页面
  wb_data.encoding ='utf-8' # 标明编码为utf-8,以免出现解码错误
  soup = BeautifulSoup(wb_data.text,'lxml') # 以lxml方式对页面进行解析
  title = soup.select('h4 em')[0].text
  address = soup.select('span.pr5')[0].text
  price = int(soup.select('div.day_l span')[0].text)
  img = soup.select('#curBigImage')[0].get('src')
  hostPic = soup.select('#floatRightBox > div.js_box.clearfix > div.member_pic > a > img')[0].get('src')
  hostName = soup.select('#floatRightBox > div.js_box.clearfix > div.w_240 > h6 > a')[0].text
  hostGender = gender_info(soup)
  data = {
  'title' : title,
  'address': address,
  'price' : price,
  'img' :img,
  'hostPic' : hostPic,
  'hostName' : hostName,
  'hostGender' : hostGender
  }
  print('get_info Done')
  return data
  def get_list_url(pageURL): # 获取页面中所有详细房源的url
  listUrl = []
  wb_data = requests.get(pageURL)
  wb_data.encoding = 'utf-8'
  soup = BeautifulSoup(wb_data.text,'lxml')
  pageList = soup.select('div.result_btm_con.lodgeunitname')
  for i in pageList:
  listUrl.append(i.get('detailurl'))
  print('get_list_url Done')
  return listUrl
  def get_info_by_page(startPage, endPage, baseURL,database): # 获取整个页面的信息
  for i in range(startPage,endPage+1):
  url = baseURL.format(i)
  listUrl = get_list_url(url)
  for j in listUrl:
  time.sleep(4)
  dataInfo = get_info(j) # 获取每个页面的信息
  database.insert_one(dataInfo) # 将信息插入到指定的页面中
  print('input to database Done')
  client = pymongo.MongoClient('localhost',27017) # 连接mongodb
  xiaozhu = client['xiaozhu'] # 创建一个名叫xiaozhu的库文件
  home_info = xiaozhu['home_info'] # 创建一个home_info的页面
  pageBaseUrl = 'http://bj.xiaozhu.com/search-duanzufang-p{}-0/' # 构造共同url连接
  get_info_by_page(1,3,pageBaseUrl,home_info) # 调用函数爬取信息并将信息储存到mongodb中
  for info in home_info.find({'price':{'$gte':500}}): # 打印大于等于500的房源信息
  print(info)
• <big>结果展示</big>
  mongoDB中的储存结果(部分截图) 价格大于等于500的房源信息（部分截图）

爬取工作分析流程

<big>1. </big>观察页面特征，保证爬虫程序的通用性，即：发现边界条件和局限性。
例：爬取赶集网-北京二手市场的所有类目中属于<big>个人</big>的商品信息。

• 观察的到页面（url）变动的信息

  
  
• 发现页面变动边界条件
  1. 当把页面设定到150页时，我们发现返回的页面是任意四件商品的信息。因此，我们要据此，判断我们所爬取的页面是否已经到头。避免重复的信息加入到我们的数据库中。
  2. 并且通过观察发现网站这一返回操作，我们发现正常页面中有列表链接可以点击，而由于页面超出范围返回的随机商品信息页面没有。
  3. 因此我们可以用BeautifulSoup库中的find方法实现这个操作。
     soup.find('ul', 'pageLink') ＃找到返回TRUE，没有返回FALSE
• 一般这种交易网站，当商品卖出后，商品有关信息页面将会被删除，所以我们爬取的过程中，可能将有商品被卖出，当我们向服务器进行请求该商品详情界面时会出现404 not found。我们可以通过status_code的方法对页面进行判断。
  wb_data.status_code == 404 # 判断商品是否已被卖出，卖出则返回TRUE，没有则返回FALSE

<big>2. </big>设计工作流程，保证输出效率和稳定性。

• 分步进行：先获取channel_list（所有频道分类的URL），保证爬取的稳定性。若是爬取类目信息，与爬取商品信息同步进行的话，当程序出现错误时，我们则什么信息也不能得到。所以分步进行可以降低风险。（图中分类项目下的所有商品详情链接）
  

  

• 多进程爬取： 可以利用multiprocess库中的pool函数，进行多进程爬取，这样可以提高爬取的效率。
  关于进程与线程：
  可以理解成多个人完成吃饭这个工作的效率：
  单线程单进程：只有一个餐桌，一个人在一个餐桌上吃饭，每个人依次进行。
  单线程多进程：有多个餐桌，每个餐座上只有一个人在吃饭。
  单进程多线程： 只有一个餐桌，一个餐桌上可以坐多个人。
  多进程多线程：多个餐座,一个餐桌上可以坐多个人。

• 对项目进行监测：
  我们可以设计一个检测函数，隔一段时间汇报所抓取信息的数量，对项目进程进行掌控。
  import timeframe page_parsing
  import url_list
  while True:
  print(url_list.find().count())
  time.sleep(5)

• 设计断点续传程序：
  由于在我们抓取的过程中可能会遇到网络问题，导致程序终止，而我们不希望重新开始抓取，而是在中断后的地方继续进行抓取。
  

  设计思路如下：
  1. 数据库中建立两个页面存放详情商品链接（从这一点也可以看出分步抓取的重要性）。一个存放需要抓取的（url_list1）一个存放已经抓取网商品信息的 （url_list2）。

2. 当中断后继续抓取时，url_list1－url_list2就是剩下带抓取的商品信息页面。
   db_urls = [item['url'] for item in url_list.find()] # 用列表解析式装入所有要爬取的链接
   index_urls = [item['url'] for item in item_info.find()] # 所引出详情信息数据库中所有的现存的 url 字段
   x = set(db_urls) # 转换成集合的数据结构
   y = set(index_urls)rest_of_urls = x-y ＃ 剩下的url

爬取结果以及源码(按设计步骤展示）

• 分类链接列表channel_list
  
• 分类详情页列表get_url_from
• 商品详情列表（单个事例）get_iterms_from
  
• 整体运行界面

**All source code **: JacobKam-GitHub