python爬取返利网中值得买中的数据

2023-07-18 11:09:28

先使用以前的方法将返利网的数据爬取下来，scrapy框架还不熟练，明日再战scrapy

查找目标数据使用的是beautifulsoup模块。

1.观察网页，寻找规律

打开值得买这块内容

1>分析数据来源

网页上的数据分为一打开页面就存在的数据（源代码中可以看到的数据），

还有随着鼠标滑动，动态加载的数据（源代码中不显示的数据）。

2>查找规律

加载到最底端后，网页上面一共有50条相关数据，查看源代码，发现只有5条数据的源代码，剩下的数据全部是

动态加载出来的。分析这些动态数据：

F12打开Network这部分，刷新页面，鼠标不往下滑动时，并没有出现我们需要的后面的数据，随着鼠标滑动，

发现两个可能存有数据的项，发现只有ajaxGetItem...这个是我们所需要的，使用filter过滤一下。

过滤后发现如下规律：

1-2是第6-10条，1-3是第11-15条......

其他页也是这个规律，发现第二页中page参数那部分page=0-2,是从0打头的，我换成page=2-2后没有影响

所以规律就是把page部分换成对应的页数就好了。

2.代码

找到规律后，就可以写代码了。由于使用的是单线程，所以爬数据得到猴年马月了。

 # encoding=utf-8

 import urllib2

 from bs4 import BeautifulSoup

 import time

 # 返利网值得买页面的源代码中只包含5条数据，

 # 其他的数据是动态加载的，每个页面包含50条数据

 class FanLi():

     def __init__(self):

         self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'

         self.headers={'User-Agent':self.user_agent}

     def get_url(self):

         list_url=[]

         for i in range(1,760):

             # 可内容直接获取的url1

            url1='http://zhide.fanli.com/p'+str(i)

            list_url.append(url1)

            for j in range(2,11):

                url2='http://zhide.fanli.com/index/ajaxGetItem?cat_id=0&tag=&page='+str(i)+'-'+str(j)+'&area=0&tag_id=0&shop_id=0'

                list_url.append(url2)

         return list_url

     def getHtml(self,url):

         # url='http://zhide.fanli.com/p'+str(pageIndex)

         try:

             request=urllib2.Request(url,headers=self.headers)

             response=urllib2.urlopen(request)

             html=response.read()

             return html

         except urllib2.URLError,e:

             if hasattr(e,'reason'):

                 print u"连接失败",e.reason

                 return  None

     def parse(self):

         urls=self.get_url()

         i=0

         # with open('zhide.txt',a) as f:

         #     f.write()

         for url in urls:

             i=i+1

             html=self.getHtml(url)

             soup=BeautifulSoup(html,'html.parser')

             divs=soup.find_all('div',class_='zdm-list-item J-item-wrap item-no-expired')

             # for item in divs[0]:

             #     print 'item'+str(item)

             for div in divs:

                 con_list=[]

                 # 商品名称

                 title=div.find('h4').get_text()

                 # 分类

                 item_type=div.find('div',class_='item-type').a.string

                 # 推荐人

                 item_user=div.find('div',class_='item-user').string

                 # 内容

                 item_cont=div.find('div',class_='item-content').get_text(strip=True)

                 # 值得买人数

                 type_yes=div.find('a',attrs={'data-type':'yes'}).string

                 # 不值得买人数

                 type_no=div.find('a',attrs={'data-type':'no'}).string

                 con_list.append(title)

                 con_list.append(item_type)

                 con_list.append(item_user)

                 con_list.append(item_cont)

                 con_list.append(type_yes)

                 con_list.append(type_no)

                 f=open('zhide.txt','a')

                 for item in con_list:

                     f.write(item.encode('utf-8')+'|')

                 f.write('\n')

                 f.close()

             print 'sleeping   loading %d'%i

             time.sleep(3)

 zhide=FanLi()

 zhide.parse()

码农公寓

相关文章