Python爬虫实战（一）：翻页爬取数据存入SqlServer

爬取目标

我们要爬取的网页是：

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

网站主页如下：

1）第一页有39个商标展示，每一个都需要进入网页获取详细信息（未截图完）

红色框就是要爬取的内容

2）一共91页

给你们看看我爬取完的效果，保存在SqlServer中：

爬取的内容是：商标名、商标价格、商标编号、所属类别、专用期限、类似群组、注册范围、商标图片地址

准备工作

我用的是python3.8，VScode编辑器，所需的库有：requests、etree、pymssql

开头导入所需用到的导入的库：

import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为Elements对象
import pymssql # 连接SqlServer的库

建表：

CREATE TABLE "MPSB" (
	"title" NVARCHAR(MAX),
	"price" NVARCHAR(MAX),
	"number" NVARCHAR(MAX),
	"category" NVARCHAR(MAX),
	"term" NVARCHAR(MAX),
	"groups" NVARCHAR(MAX),
	"Range" NVARCHAR(MAX),
	"img_url" NVARCHAR(MAX)
)

为防止，字段给的不够，直接给个MAX！

代码分析

直接上完整代码，再逐步分析！

import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为
import pymssql # 连接SqlServer的库
import time

class TrademarkSpider:
    def __init__(self) :
        self.baseurl = "http://www.mp.cc/search/%s?category=%s"
        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):

        response = requests.get(url,headers=self.headers)
        time.sleep(2)
        return response.content.decode()
    
    # 获取每种类别主页个数
    def get_page_num(self,html_str):
        html = etree.HTML(html_str)
        div_list = html.xpath("//div[@class='pagination']") # 根据div分组

        try:
            for div in div_list:
                a = div.xpath("//a[@class='number']/text()")
            index = len(a)-1
            page = int(a[index])
        except:
            page = 1
       
        print(page,'页')
        
        return page
    
    # 获取每页中n个详情页地址
    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 = {}
        
        for div in div_list:
            
            item["href"]= div.xpath("//a[@class='img-container']/@href")
        
        # 获取每页中详情页个数
        html1 = etree.HTML(html_str)
        div_list1 = html1.xpath("//div[@class='item_wrapper']") # 根据div分组   
        detailed_num = len(div_list1)
        
        print(detailed_num)
        # 拼接网页
        for i in range(0,detailed_num):
            item["href"][i] = 'http://www.mp.cc%s' % item["href"][i]

        for value in item.values():
            content_list = value

        #print(content_list)

        return content_list

    # 获取1-n(n最大为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]/tex