本章包含内容：
前言
mongodb环境配置
爬取数据的代码分析
一、前言
在更新完上一篇python文章时，就一直想爬取一个10万量级的数据。在解了mongodb的基本用法和环境配置后，第一次测试的是安居客的二手房，遇到了很多小问题，最终没能继续下去。今天这次测试的是赶集网的跳蚤市场商品，在经过几次调试，最终程序得以正常运行。可惜的是赶集网跳蚤市场数据总数也才4万多条，没有达到目标的10万条数据。但麻雀虽小，五脏俱全，虽然数据量没有达到，但最终爬取的原理却是一样的，下面将一一分析本次爬取的代码。
二、mongodb环境配置
1
2
3
4
5
6
7
8
9
10
11
12
13
14
三、爬取数据的代码分析
1.首先爬取跳蚤市场各个分类的入口链接
from bs4 import BeautifulSoup
import requests
url = '/wu/'
url_host = ''
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text,'lxml')
mainUrlStrs = soup.select('.fenlei > dt > a')
for mainUrlStr in mainUrlStrs:
#拼接
print(url_host + mainUrlStr.get('href'))
#输出：
/jiaju/
/rirongbaihuo/
/shouji/
/shoujihaoma/
/bangong/
/nongyongpin/
/jiadian/
/ershoubijibendiannao/
/ruanjiantushu/
/yingyouyunfu/
/diannao/
/xianzhilipin/
/fushixiaobaxuemao/
/meironghuazhuang/
/shuma/
/laonianyongpin/
/xuniwupin/
/qitawupin/
/ershoufree/
/wupinjiaohuan/
在经过筛选，剔除不符合需求的入口链接，比如手机号码之类的入口，这就是我们需要的入口：
/jiaju/
/rirongbaihuo/
/shouji/
/bangong/
/nongyongpin/
/jiadian/
/ershoubijibendiannao/
/ruanjiantushu/
/yingyouyunfu/
/diannao/
/xianzhilipin/
/fushixiaobaxuemao/
/meironghuazhuang/
/shuma/
/laonianyongpin/
/xuniwupin/
2.根据入口链接爬取商品信息，同时写入数据库(核心代码)
from bs4 import BeautifulSoup
import requests
import random
import pymongo
#连接mongoDB数据库
#参数localhost:表示在本地数据库
#参数27017：端口，表示指向哪
client = pymongo.MongoClient('localhost',27017)
#创建数据库名称
ganjiwang = client['ganjiwang']
#创建数据表
list_info = ganjiwang['list_info']
#赶集网headers信息
headers = {
'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
'Connection':'keep-alive'
}
#随机IP，因为同一个IP频繁请求，服务器将会视其为黑客攻击，所有我们会随机分配IP来请求
proxy_list = [
'http://125.88.74.122:85',
'http://125.88.74.122:83',
'http://171.8.79.143:8080',
'http://14.152.93.79:8080',
]
proxy_ip = random.choice(proxy_list) # 随机获取代理ip
proxies = {'http': proxy_ip}
#爬取网页信息的核心代码，该函数可以写的有点笨，可再次做优化，这里只为实现需求，不再优化
def get_list_info(url,data=None):
wb_data = requests.get(url,headers=headers)
soup = BeautifulSoup(wb_data.text,'lxml')
# print(soup)
#当是该类商品最后一页是，即没有更多商品时，我们pass掉
if soup.find('div','no-search') or soup.find('div','noinfo'):
print('已经到最后一页')
pass
elif url.find('/bangong/') == 0:
#二手设备
print('二手设备')
titles = soup.select('.js-item > a')
imgs = soup.select('.list-bigpic > dt > a > img')
prices = soup.select('.pt-price > span')
locations = soup.select('.feature > span')
for title,img,price,location in zip(titles,imgs,prices,locations):
print(title.text)
print(title.get('href'))
print(img.get('data-original')) if img.get('data-original') else print(img.get('src'))
print(price.text)
print(location.text) if len(location.text) != 0 else print('无')
infoTitle = title.text
infoDetailUrl = title.get('href')
infoImgUrl = img.get('data-original') if img.get('data-original') else img.get('src')
infoPrice = price.text
infoDetailText = '无'
infoLocation = location.text if len(location.text) != 0 else '无'
#写入数据库
list_info.insert_one({'title':infoTitle,
'detailUrl':infoDetailUrl,
'img':infoImgUrl,
'price':infoPrice,
'detailText':infoDetailText,
'location':infoLocation})
elif url.find('/nongyongpin/') == 0:
#二手农用品
# print('二手农用品')
titles = soup.select('.js-item > a')
imgs = soup.select('.list-bigpic > dt > a > img')
prices = soup.select('.pt-price > span')
locations = soup.select('.list-word > a')
for title,img,price,location in zip(titles,imgs,prices,locations):
print(title.text)
print(title.get('href'))
print(img.get('data-original')) if img.get('data-original') else print(img.get('src'))
print(price.text)
print(location.text) if len(location.text) != 0 else print('无')
infoTitle = title.text
infoDetailUrl = title.get('href')
infoImgUrl = img.get('data-original') if img.get('data-original') else img.get('src')
infoPrice = price.text
infoDetailText = '无'
infoLocation = location.text if len(location.text) != 0 else '无'
list_info.insert_one({'title':infoTitle,
'detailUrl':infoDetailUrl,
'img':infoImgUrl,
'price':infoPrice,
'detailText':infoDetailText,
'location':infoLocation})
elif url.find('/xianzhilipin/') == 0:
#二手闲置礼品
print('二手闲置礼品')
titles = soup.select('.js-item > a')
imgs = soup.select('.list-bigpic > dt > a > img')
prices = soup.select('.pt-price > span')
details = soup.select('.feature > p')
locations = soup.select('.list-word > a')
for title,img,price,detail,location in zip(titles,imgs,prices,details,locations):
print(title.text)
print(title.get('href'))
print(img.get('data-original')) if img.get('data-original') else print(img.get('src'))
print(price.text)
print(detail.text)
print(location.text)
infoTitle = title.text
infoDetailUrl = title.get('href')
infoImgUrl = img.get('data-original') if img.get('data-original') else img.get('src')
infoPrice = price.text
infoDetailText = detail.text
infoLocation = location.text if len(location.text) != 0 else '无'
list_info.insert_one({'title':infoTitle,
'detailUrl':infoDetailUrl,
'img':infoImgUrl,
'price':infoPrice,
'detailText':infoDetailText,
'location':infoLocation})
elif url.find('/xuniwupin/') == 0:
#二手虚拟物品
print('二手虚拟物品')
titles = soup.select('.js-item > a')
imgs = soup.select('.list-bigpic > dt > a > img')
prices = soup.select('.pt-price > span')
details = soup.select('.feature > p')
locations = soup.select('.list-word > a')
for title,img,price,detail,location in zip(titles,imgs,prices,details,locations):
print(title.text)
print(title.get('href'))
print(img.get('data-original')) if img.get('data-original') else print(img.get('src'))
print(price.text)
print(detail.text)
print(location.text)
infoTitle = title.text
infoDetailUrl = title.get('href')
infoImgUrl = img.get('data-original') if img.get('data-original') else img.get('src')
infoPrice = price.text
infoDetailText = detail.text
infoLocation = location.text if len(location.text) != 0 else '无'
list_info.insert_one({'title':infoTitle,
'detailUrl':infoDetailUrl,
'img':infoImgUrl,
'price':infoPrice,
'detailText':infoDetailText,
'location':infoLocation})
else:
#非二手设备、二手农用品
titles = soup.select('.t > a')
imgs = soup.select('.js-lazy-load')
prices = soup.select('.pricebiao > span')
details = soup.select('.desc')
locations = soup.select('#infolist > div.infocon > table > tbody > tr > td.t > span.fl')
for title,img,price,detail,location in zip(titles,imgs,prices,details,locations):
print(title.text)
print(title.get('href'))
print(img.get('data-original')) if img.get('data-original') else print(img.get('src'))
print(price.text)
print(detail.text)
print(location.text) if len(location.text) != 0 else print('无')
infoTitle = title.text
infoDetailUrl = title.get('href')
infoImgUrl = img.get('data-original') if img.get('data-original') else img.get('src')
infoPrice = price.text
infoDetailText = detail.text
infoLocation = location.text if len(location.text) != 0 else '无'
list_info.insert_one({'title':infoTitle,
'detailUrl':infoDetailUrl,
'img':infoImgUrl,
'price':infoPrice,
'detailText':infoDetailText,
'location':infoLocation})
3.因每个链接入口都有不止一页，所以我们还需根据页数来爬去每一页的数据，另外就是利用CPU的多线程能力执行爬去代码，这样能高效的爬去数据
from multiprocessing import Pool
from pageList import get_list_info
from mainUrl import urlStr
#因为在观察赶集网的链接是我们发现o1..o2..是对应页面的页码，所有这里拼接每个页面的链接，这里以最多100页为测试
def get_all_list_info(url):
for p in range(1,100):
get_list_info(url + 'o' + str(p))
if __name__ == '__main__':#需加上这句代码，这时是一种固定的写法，作用是这句代码会把他上下分开两部分，避免我们改变地址时的名字混乱
# 创建一个进程池，所有我们设计的爬虫，都会被放到进程池内，然后自动分配系统资源来执行
# pool()有一个参数，processes，表示有多少个进程,比如processes=2
pool = Pool()
# 从所有频道列表中得到链接，
# map()函数：会把后面的集合一个一个的放到第一个函数中执行
# 参数1:一个函数
# 参数2:一个集合
pool.map(get_all_list_info,urlStr.split())
pool.close()
pool.join()
4.最后，我们实现一个每10秒查询一下数据库数据条数的程序，实时观看爬取进度
from pageList import list_info
import time
#每10秒查询一次数据库数据总数
while True:
print('数据库已写入--{}--条数据'.format(list_info.find().count()))
time.sleep(10)
至此，我们的爬虫程序已经完成了，上述每句关键代码都给出了详细的注释，应该不难理解。下面是执行程序的效果：
10W.gif
程序结束时：
end.png
