学python几个月了正好练练手,发现问题不断提高,先从专题入手,爬取些数据,一开始对简书网站结构不熟悉,抓取推荐,热门,城市3个导航栏,交流发现推荐和热门是排序不同,url会重复,以及每个专题详情页三个类目最新评论,最新收录, 热门也会重复 做了下调整,代码执行完毕会返回所有专题的urls元组对象,以便下一步进入每个专题页面解析获取其他数据。注:变量focus关注数,和打开专题后最上面显示的专题关注人数会有差异,例如有的专题关注了10175人,在专题列表页会显示成"10.07k",因此在下一次获取详情页的时候回取到具体数值
多进程获取简书专题数据并写入MySQL数据库
- 抓取热门和城市页面http://www.jianshu.com/recommendations/collections分类下的所有专题url,专题名字,收录文章数,关注数
- 定义多个函数获取
- 获取城市和热门两个分类异步加载的url函数
- 解析url函数
- 抓取数据 返回data对象
- 获取数据存入数据库
- 多进程
建表
#MySQL数据库建表
CREATE TABLE catetable(
cate_name VARCHAR(255),
cate_url VARCHAR(255),
total_num INT(19),
focus INT(19),
KEY cate_name(cate_name),
KEY cate_url(cate_url)
)ENGINE=INNODB DEFAULT CHARSET=utf8
python代码
#coding:utf-8
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import requests
from lxml import etree
import MySQLdb
from multiprocessing import Pool
'''
获取所有所有专题所在页的url列表下一步提取每个专题的url
分析:http://www.jianshu.com/recommendations/collections页面为异步加载,查看热门和城市导航栏请求构造url列表
'''
def get_cateurls():
urls=[]
for i in range(1, 3):
cityurl='http://www.jianshu.com/recommendations/collections?page=%s&order_by=city' % i
urls.append(cityurl)
for j in range(1,40):
hoturl='http://www.jianshu.com/recommendations/collections?page=%s&order_by=hot'% j
urls.append(hoturl)
return urls
''' 解析页面 '''
def get_response(url):
html=requests.get(url).content
selector=etree.HTML(html)
return selector
''' 获取专题数据 得到专题名称 专题url 收录文章数 关注人数 通过zip函数转置数据返回data对象'''
def get_catedata(url):
selector=get_response(url)
cate_url= map(lambda x: 'http://www.jianshu.com'+x, selector.xpath('//div[@id="list-container"]//div[contains(@class,"count")]/a/@href'))
cate_name=selector.xpath('//div/h4/a/text()')
total_num=map(lambda x: int(x.strip("篇文章").strip()),selector.xpath('//div[@id="list-container"]//div[contains(@class,"count")]/a/text()'))
focus1=selector.xpath('//div[@id="list-container"]//div[contains(@class,"count")]/text()')
focus=[]
for i in focus1:
focus_num=i.split("·")[1].rstrip("人关注")
if "K" in focus_num:
focus_num=int(float(focus_num[:-1])*1000)
else:
focus_num=int(focus_num)
#print i,focus_num
focus.append(focus_num)
data=zip(cate_name,cate_url,total_num,focus)
return data
''' 写入数据库'''
def insert_into_Mysql(url):
try:
conn=MySQLdb.connect(host='127.0.0.1',user='root',passwd='你的密码',db='local_db',port=3306,charset='utf8')
with conn:
cursor = conn.cursor()
print u'正在加载 %s 页面' % url
data=get_catedata(url)
for i in data:
#print i[0], i[1], i[2],i[3]
cursor.execute("INSERT INTO catetable (cate_name,cate_url,total_num,focus) values(%s,%s,%s,%s)", (i[0], i[1], i[2],i[3]))
conn.commit()
sql='select * from catetable'
count = cursor.execute(sql)
print u'总共输入了%s条数据' % count
except MySQLdb.Error,e:
print e
''' 从数据库获取所有的专题url便于以后专题页面数据的进一步获取'''
def get_allcate_urls_from_mysql():
try:
conn = MySQLdb.connect(host='127.0.0.1', user='root', passwd='你的密码', db='local_db', port=3306, charset='utf8')
with conn:
cursor = conn.cursor()
sql = 'select cate_url from catetable'
count = cursor.execute(sql)
print u'共输入了%s条数据' % count
print u'正在获取专题url'
all_cate_urls=cursor.fetchall()
return all_cate_urls
except MySQLdb.Error, e:
print url,e
''' 多进程执行'''
def get_allcate_urls():
urls=get_cateurls()
pool = Pool(processes=4)
pool.map(insert_into_Mysql,urls)
allcate_urls=get_allcate_urls_from_mysql()
return allcate_urls
''' 先获取到所有专题的数据 下次获取每个专题的数据'''
if __name__ == '__main__':
allcate_urls=get_allcate_urls()
查看数据表数据
执行完查询到一共有914个专题,其中城市专题34个,880个热门专题