双十一还没消停,双十二又来了。看返利网<今日值得买>的数据时时不断的在更新。。。。。。
1.爬取返利网的商品名,分类,推荐人,好评数和差评数
2.商品信息不断更新,查看页面源代码仅可以看见一开始显示的几个商品的代码。
页面加载规律是往下拉页面,便加载5个商品,一页有50个商品。
所以,还是打开谷歌浏览器,按F12,向下拉页面,使数据完全加载完毕。
一开始并不知道数据存在哪,便一个一个点开看,查找数据。
发现红框里的才是所需要的.
3.然后便是找网址的规律
可以发现,每页有10个小块,因为每页打开时第1页页面源代码中是有的,在这里没有显示,但同样也可打开。而且第11页是不需要的。第1个数字代表了第几页,第2个数字代表了每页加载的第几个模块。
这是用相同规律的网址打开的第一个小模块:
这是第11个小模块,里面没有数据:
4.先开始爬取一个小模块的数据
获取网址后,右键查看页面源代码,可以使用BeautifulSoup模块爬取内容
观察这些代码可以发现,每一个商品都是一个div,详细信息包含在各个a标签中。
开始的思路是获取所有a标签,然后通过列表索引取值就可以了。这样的确是可以的,不过仅对小模块里的第一个商品有效。比如:
第一个div里有10个a标签,获取想要的数据可以索引取值比如为a[0],a[3],a[5]
如果以下的各个div也均有10个a标签,且顺序位置相同,则可以按照递增序列加值,那么获取第二个小模块应为a[10],a[13],a[15]
可是,通过看源代码知道,div中a标签的数量是不一致的,有10个的,有12个的,所以写着写着这种方法就被自己否决了。
接着看源代码,发现想要获取的数据所在的每个a标签中均有class,然后就想通过class去匹配a标签。
所以代码为:
<span style="font-size:18px;">#coding:utf-8
import urllib
import re
from bs4 import BeautifulSoup
def getHtml(url):
page=urllib.urlopen(url)
html=page.read()
return html
def getItems(html):
rep=re.compile(' J_tklink_tmall')#匹配这个的原因是想要获取的a标签中有的有这个类名,影响匹配,所以把它替换掉才能都匹配出来
data=rep.sub('',html)
soup=BeautifulSoup(data)
name_list=soup.find_all('a',class_='J-item-track nodelog')#商品名称
fenlei_list=soup.find_all('a',class_='nine')#分类
usr_list=soup.find_all('div', class_='item-user')#推荐人
yes_list=soup.find_all('a',class_='l item-vote-yes J-item-vote-yes')#好评
no_list=soup.find_all('a',class_='l item-vote-no J-item-vote-no')#差评
for i in range(0,5):
print name_list[i].get_text(strip=True).encode("utf-8")+'|'\
+fenlei_list[i].get_text(strip=True).encode("utf-8")+'|'\
+usr_list[i].get_text(strip=True).encode("utf-8")+'|'+\
yes_list[i].get_text(strip=True).encode("utf-8")+'|'+\
no_list[i].get_text(strip=True).encode("utf-8")+'|'+'\n'
url='http://zhide.fanli.com/index/ajaxGetItem?cat_id=0&tag=&page=1-1&area=0&tag_id=0&shop_id=0'
html=getHtml(url)
getItems(html)</span>
5.爬取多页的数据,先爬前50页的数据
因为url中有两个变量,因此相当于一个二维数组,需要两次for循环。
代码:
<span style="font-size:18px;">#coding:utf-8
import urllib2
import re
from bs4 import BeautifulSoup
class fanli():
def __init__(self):
self.usr_agent='Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36'
self.headers={'usr_agent',self.usr_agent}
self.p=1
self.pageIndex=1
def getHtml(self,p,pageIndex):
try:
#只获取第一页的数据,网址只需要传入P参数即可。即:
#url='http://zhide.fanli.com/index/ajaxGetItem?cat_id=0&tag=&page=1-'+str(p)+'&area=0&tag_id=0&shop_id=0'
url='http://zhide.fanli.com/index/ajaxGetItem?cat_id=0&tag=&page='+str(pageIndex)+'-'+str(p)+'&area=0&tag_id=0&shop_id=0'
request=urllib2.Request(url)
page=urllib2.urlopen(request)
html=page.read()
return html
except urllib2.URLError,e:
if hasattr(e,'reason'):
print u'连接失败',e.reason
return None
def getItems(self):
with open('fanli.txt','a') as f:
f.write('商品名称'+'|'+'分类'+'|'+'推荐人'+'|'+'好评数'+'|'+'差评数'+'\n')
for pageIndex in range(1,51):#IndexError:list index out of range在第11页出现的问题
for p in range(1,11):
html=self.getHtml(pageIndex,p)
rep=re.compile(' J_tklink_tmall')
data=rep.sub('',html)
soup=BeautifulSoup(data)
name_list=soup.find_all('a',class_='J-item-track nodelog')#商品名称
fenlei_list=soup.find_all('a',class_='nine')#分类
usr_list=soup.find_all('div', class_='item-user')#推荐人
yes_list=soup.find_all('a',class_='l item-vote-yes J-item-vote-yes')#好评
no_list=soup.find_all('a',class_='l item-vote-no J-item-vote-no')#差评
f=open('fanli.txt','a')
for i in range(0,5):
f.write(name_list[i].get_text(strip=True).encode("utf-8")+'|'\
+fenlei_list[i].get_text(strip=True).encode("utf-8")+'|'\
+usr_list[i].get_text(strip=True).encode("utf-8")+'|'\
+yes_list[i].get_text(strip=True).encode("utf-8")+'|'\
+no_list[i].get_text(strip=True).encode("utf-8")+'|'+'\n')
f.close()
spider=fanli()
spider.getItems()</span>
代码看似正确,不过却报错了,就在27行往下,不知道哪个list超出了索引范围。然后修改了第27行的for循环,改成range(1,11),则正常运行。一旦改成12,即数据爬到11页时,就会出现错误。于是又根据爬取单页的代码单独爬取了第11页的数据,居然是完整不报错的爬出来了!!
经大神指教,用try……except抛出异常,然后continue.............
结果还是不对!!maybe,,,,,我的try……except用错了!
啊哦~~~~~~~~~~~~
===============================我是华丽丽的分割线=========================================
终于知道错在哪了!!!!啊啊啊啊啊哦~~~~
Python传参是要按照顺序来的!!我把这个居然给忘了。。。
获取网页时参数的性质是这样写的:
而调用函数时参数的顺序写错了:
所以调换顺序即可,这样就可以正常运行了。
如果定义的getHtml()函数的参数不修改的话,要么调换调用时的顺序,要么将函数调用时进行赋值说明,即:
就可以了。
所以最终正确的代码为:
#coding:utf-8
import urllib2
import re
from bs4 import BeautifulSoup
class fanli():
def __init__(self):
self.usr_agent='Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36'
self.headers={'usr_agent',self.usr_agent}
self.p=1
self.pageIndex=1
def getHtml(self,pageIndex,p):
try:
url='http://zhide.fanli.com/index/ajaxGetItem?cat_id=0&tag=&page='+str(pageIndex)+'-'+str(p)+'&area=0&tag_id=0&shop_id=0'
request=urllib2.Request(url)
page=urllib2.urlopen(request)
html=page.read()
return html
except urllib2.URLError,e:
if hasattr(e,'reason'):
print u'连接失败',e.reason
return None
def getItems(self):
with open('fanli.txt','a') as f:
f.write('商品名称'+'|'+'分类'+'|'+'推荐人'+'|'+'好评数'+'|'+'差评数'+'\n')
for pageIndex in range(1,51):
for p in range(1,11):
html=self.getHtml(pageIndex,p)
rep=re.compile(' J_tklink_tmall')
data=rep.sub('',html)
soup=BeautifulSoup(data)
name_list=soup.find_all('a',class_='J-item-track nodelog')#商品名称
fenlei_list=soup.find_all('a',class_='nine')#分类
usr_list=soup.find_all('div', class_='item-user')#推荐人
yes_list=soup.find_all('a',class_='l item-vote-yes J-item-vote-yes')#好评
no_list=soup.find_all('a',class_='l item-vote-no J-item-vote-no')#差评
f=open('fanli.txt','a')
for i in range(0,5):
f.write(name_list[i].get_text(strip=True).encode("utf-8")+'|'\
+fenlei_list[i].get_text(strip=True).encode("utf-8")+'|'\
+usr_list[i].get_text(strip=True).encode("utf-8")+'|'\
+yes_list[i].get_text(strip=True).encode("utf-8")+'|'\
+no_list[i].get_text(strip=True).encode("utf-8")+'|'+'\n')
f.close()
spider=fanli()
spider.getItems()
还有需要注意的是,这次代码中urllib2.Request()没有传入headers参数,因为报错了。
AttributeError: 'set' object has no attribute 'items'
将headers去掉就能正常运行了。