Python爬虫实战（一）：翻页爬取数据存入SqlServer_python爬虫翻页

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

• 第二步：发送请求，获取响应
• 第三步：获取第一页中39个详情页地址
• 第四步：获取39个详情页信息
• 第五步：存入SqlServer数据库
• 第六步：实现主页翻页（1-91页）

1. 设置翻页

我们先手动翻页，1-3页：

http://www.mp.cc/search/1?category=25
http://www.mp.cc/search/2?category=25
http://www.mp.cc/search/3?category=25

可以看出来，网址只有中间一个数据在逐步递增，所以就可以构造主页地址，代码如下：

for i in range(1,92):
	# 1.构造主页地址
	url = self.baseurl % i 

这里做了字符串拼接，baseurl在 __init__(self)中：

self.baseurl = "http://www.mp.cc/search/%s?category=25" #通过%s传数字进入

2. 获取代理ip

1、打开巨量IP官网：巨量IP官网

2、输入账号信息进行注册：

3、这里需要进行实名认证，如果不会的可以看：个人注册实名教程：

4、进入会员中心，点击领取今日免费IP：

5、详细步骤看官方的教程文档：巨量HTTP—免费代理ip套餐领取教程，领取后如下图：

6、点击产品管理》动态代理（包时），可以看到我们刚才领取到的免费IP信息：

7、将自己电脑的IP添加为白名单能获取代理IP，点击授权信息：

8、依次点击修改授权》快速添加》确定

9、添加完成后，点击生成提取链接：

10、设置每次提取的数量，点击生成链接，并复制链接：

11、将复制链接，复制到地址栏就可以看到我们获取到的代理IP了：

12、通过爬虫去获取API接口的里面的代理IP（注意：下面代理URL，换成自己的API链接）：

import requests
import time
import random


def get\_ip():
    url = "这里放你自己的API链接"
    while 1:
        try:
            r = requests.get(url, timeout=10)
        except:
            continue

        ip = r.text.strip()
        if '请求过于频繁' in ip:
            print('IP请求频繁')
            time.sleep(1)
            continue
        break
    proxies = {
        'https': '%s' % ip
    }

    return proxies



if __name__ == '\_\_main\_\_':
    proxies = get_ip()
    print(proxies)

运行结果，可以看到返回了接口中的代理IP：

3. 发送请求

发送请求，获取响应，代码如下：

def \_\_init\_\_(self) :
	self.baseurl = "http://www.mp.cc/search/%s?category=25"
	self.headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36"}
    
# 发送请求，获取相应 
def parse\_url(self,url):
    # 获取代理ip
    proxies = get_ip()
    # 使用代理ip和请求头
	response = requests.get(url,headers=self.headers,proxies=proxies)
	return response.content.decode() #返回网页代码，我们就在这里面提取数据

这会就有小伙伴不明白了，你headers什么意思啊？

• 防止服务器把我们认出来是爬虫，所以模拟浏览器头部信息，向服务器发送消息
• 这个 “装” 肯定必须是要装的！！！
  

4. 获取详情页地址

获取第一页中39个详情页地址，代码如下：

def get\_content\_list(self,html_str):
	html = etree.HTML(html_str)
	div_list = html.xpath("//div[@class='item\_wrapper']") # 根据div分组
	
	item = {}
	# 获取网页（只有半截，如：/brand/detail/36003501）
	for div in div_list:
	    item["href"]= div.xpath("//a[@class='img-container']/@href")
	# 拼接网页
	for i in range(39):
	    item["href"][i] = 'http://www.mp.cc%s' % item["href"][i]
	#遍历字典存入列表
	for value in item.values():
	    content_list = value
	
	print(content_list)
	
	return content_list

1）我们先把获取到的主页代码转换为Elements对象，就和网页中的一样，如下图： html = etree.HTML(html_str)

2）写Xpath根据div分组：div_list = html.xpath("//div[@class='item_wrapper']")

如图可以看出每个商标的详情地址都在<div class="item_wrapper">中

3）提取地址

item = {}
        
for div in div_list:
	item["href"]= div.xpath("//a[@class='img-container']/@href")    
# 拼接网页
for i in range(39):
	item["href"][i] = 'http://www.mp.cc%s' % item["href"][i]
#遍历字典存入列表
for value in item.values():
	content_list = value

4）效果如下：

['http://www.mp.cc/brand/detail/36449901', 'http://www.mp.cc/brand/detail/26298802', 'http://www.mp.cc/brand/detail/22048146', 'http://www.mp.cc/brand/detail/4159836', 'http://www.mp.cc/brand/detail/9603914', 'http://www.mp.cc/brand/detail/4156243', 'http://www.mp.cc/brand/detail/36575014', 'http://www.mp.cc/brand/detail/39965756', 'http://www.mp.cc/brand/detail/36594259', 'http://www.mp.cc/brand/detail/37941094', 'http://www.mp.cc/brand/detail/38162960', 'http://www.mp.cc/brand/detail/38500643', 'http://www.mp.cc/brand/detail/38025192', 'http://www.mp.cc/brand/detail/37755982', 'http://www.mp.cc/brand/detail/37153272', 'http://www.mp.cc/brand/detail/35335841', 'http://www.mp.cc/brand/detail/36003501', 'http://www.mp.cc/brand/detail/27794101', 'http://www.mp.cc/brand/detail/26400645', 'http://www.mp.cc/brand/detail/25687631', 'http://www.mp.cc/brand/detail/25592319', 
'http://www.mp.cc/brand/detail/25593974', 'http://www.mp.cc/brand/detail/24397124', 'http://www.mp.cc/brand/detail/23793395', 'http://www.mp.cc/brand/detail/38517219', 'http://www.mp.cc/brand/detail/36921312', 'http://www.mp.cc/brand/detail/6545326\_6545324', 'http://www.mp.cc/brand/detail/8281719', 'http://www.mp.cc/brand/detail/4040639', 'http://www.mp.cc/brand/detail/42819737', 'http://www.mp.cc/brand/detail/40922772', 'http://www.mp.cc/brand/detail/41085317', 'http://www.mp.cc/brand/detail/40122971', 'http://www.mp.cc/brand/detail/39200273', 'http://www.mp.cc/brand/detail/38870472', 'http://www.mp.cc/brand/detail/38037836', 'http://www.mp.cc/brand/detail/37387087', 'http://www.mp.cc/brand/detail/36656221', 'http://www.mp.cc/brand/detail/25858042']

因为我们获取的详情页地址只有半截，所以在做一个拼接！

可能这里有小伙伴要问了为什么你要先存入字典再存列表呢？？？

可以自己试试如果直接存列表，所有的地址全部都挤在一起了，没法拼接！！！

5. 提取详情信息

分别进行39个详情页，并获取信息，代码如下：

# 获取39个详情页信息
def get\_information(self,content_list):
    
    information = []
    
    for i in range(len(content_list)):
        details_url = content_list[i]

        html_str = self.parse_url(details_url)

        html = etree.HTML(html_str)
        div_list = html.xpath("//div[@class='d\_top']") # 根据div分组
        
        item = []
        
        for div in div_list:
            
            title = div.xpath("///div[@class='d\_top\_rt\_right']/text()")
            price = div.xpath("//div[@class='text price2box']/span[2]/text()")
            number = div.xpath("//div[@class='text'][1]/text()")
            category = div.xpath("//div[@class='text'][2]/span[@class='cate']/text()")
            term = div.xpath("//div[@class='text'][3]/text()")
            groups = div.xpath("//div[@class='text'][4]/text()")
            Range = div.xpath("//div[@class='text'][5]/text()")
            img = div.xpath("//img[@class='img\_logo']/@src")
            
            title = ' '.join(title).replace('\n', '').replace('\r', '').replace(' ','')
            price = ' '.join(price)
            number = ' '.join(number).replace('\n', '').replace('\r', '').replace(' ','')
            category = ' '.join(category)
            term = ' '.join(term).replace('\n', '').replace('\r', '').replace(' ','')
            groups = ' '.join(groups).replace('\n', '').replace('\r', '').replace(' ','')
            Range = ' '.join(Range).replace('\n', '').replace('\r', '').replace(' ','')
            img = ' '.join(img)

        item.append(title)
        item.append(price)
        item.append(number)
        item.append(category)
        item.append(term)
        item.append(groups)
        item.append(Range)
        item.append(img)
            
        item = tuple(item)

        information.append(item)
        
    #print(information)
    return information

1）根据content_list长度遍历（分别获取详情页地址），并调用parse_url方法获取网页源码

for i in range(len(content_list)):
	details_url = content_list[i]
	html_str = self.parse_url(details_url)

2）根据div分组并获取数据

 html = etree.HTML(html_str)
	div_list = html.xpath("//div[@class='d\_top']") # 根据div分组
	
	item = []
	
	for div in div_list:  
	    title = div.xpath("///div[@class='d\_top\_rt\_right']/text()")
	    price = div.xpath("//div[@class='text price2box']/span[2]/text()")
	    number = div.xpath("//div[@class='text'][1]/text()")
	    category = div.xpath("//div[@class='text'][2]/span[@class='cate']/text()")
	    term = div.xpath("//div[@class='text'][3]/text()")
	    groups = div.xpath("//div[@class='text'][4]/text()")
	    Range = div.xpath("//div[@class='text'][5]/text()")
	    img = div.xpath("//img[@class='img\_logo']/@src")

• 好了又要小伙伴要问了XPath怎么写？，这里我用的是XPath Helper工具，就是下图那个黑框可以帮我们写Xpath定位元素，有需要的我可以写个安装使用教程
  

4）因为个别数据有空格换行符所以要先去掉，如图：

title = ' '.join(title).replace('\n', '').replace('\r', '').replace(' ','')
price = ' '.join(price)
number = ' '.join(number).replace('\n', '').replace('\r', '').replace(' ','')
category = ' '.join(category)
term = ' '.join(term).replace('\n', '').replace('\r', '').replace(' ','')
groups = ' '.join(groups).replace('\n', '').replace('\r', '').replace(' ','')
Range = ' '.join(Range).replace('\n', '').replace('\r', '').replace(' ','')
img = ' '.join(img)

6. 存入数据库

把数据存入数据库，需要注意的是服务器名,账户,密码,数据库名和SQL语句中的表名！

def insert\_sqlserver(self, information):
	# 连接本地数据库服务,创建游标对象
	db = pymssql.connect('.', 'sa', 'yuan427', 'test') #服务器名,账户,密码,数据库名
	if db:
	    print("连接成功!")    
	cursor= db.cursor()
	
	try:
	    # 插入sql语句
	    sql = "insert into test6 (title,price,number,category,term,groups,Range,img) values (%s,%s,%s,%s,%s,%s,%s,%s)"
	
	    # 执行插入操作
	    cursor.executemany(sql,information)
	    db.commit()
	
	    print('成功载入......' )
	    
	except Exception as e:
	    db.rollback()
	    print(str(e))
	     
	# 关闭游标，断开数据库
	cursor.close()
	db.close()

7. 循环实现翻页

循环以上五步，按页数实现翻页

 # 实现主要逻辑 
def run(self):
    
    # 6.实现主页翻页(1,92)
    for i in range(1,92):
        # 1.构造主页地址
        url = self.baseurl % i
        x = 0
        while x<1:
            # 2.发送请求，获取相应
            html_str = self.parse_url(url)
            # 3.获取第一页中39个详情页地址
            content_list= self.get_content_list(html_str) 
            # 4.获取39个详情页信息
            information = self.get_information(content_list)
            # 5.入库
            self.insert_sqlserver(information)
            
            x += 1

8. 启动

if __name__ == "\_\_main\_\_": 
    trademarkSpider = TrademarkSpider()
    trademarkSpider.run()

打开数据库看看是不是我们想要的结果：

O了O了！！！

这也是我第一次写爬虫实战，有讲的不对的地方，希望各位大佬指正！！！，如果有不明白的地方评论区留言回复！兄弟们来个点赞有空就更新爬虫实战！！！

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！