ITPub博客

首页 > 自动化运维 > DevOps > 爬取某网站写的python代码

爬取某网站写的python代码

原创 DevOps 作者:czxin788 时间:2019-11-29 13:37:14 0 删除 编辑

    代码如下:

import requests
from pyquery import PyQuery
import re
import os
import csv
import datetime
"""
    说明:该代码是专门为爬取http://www.kgtmall.com.cn/商品而设计的。
    使用方法:
        1、在本地提前安装好python3的环境;
        2、直接运行本代码;
        3、运行本代码完后,会在当前目录生成一个result.csv文件,该文件里面就存了爬取该站点的商品信息
    注意事项:在本代码运行期间,不能打开result.csv文件,因为这样程序就写不进去数据了;只能等本代码
            全部运行结束后,才能打开esult.csv文件进行查看。
    
"""
def get_html_text(url):
    """
    获取首页源代码
    :param url:
    :return:
    """
    r = requests.get(url)
    return r.text
def get_one_level_class(home_url):
    """
    一级标题
        母婴用品 http://www.kgtmall.com.cn/mall/list.php?catid=4
        生活家居 http://www.kgtmall.com.cn/mall/list.php?catid=5
    """
    html = get_html_text(home_url)
    jpy = PyQuery(html)
    items = jpy('.menu_title a')
    for line in items:
        jpy = PyQuery(line)
        one_level_url = jpy('a').attr('href')
        one_level_title = jpy('a').text()
        yield one_level_url, one_level_title
def get_two_level_class(home_url):
    """
    二级标题
        母婴用品 营养辅食 http://www.kgtmall.com.cn/mall/search.php?catid=539
        母婴用品 妈妈专区 http://www.kgtmall.com.cn/mall/search.php?catid=544
        母婴用品 婴儿保健 http://www.kgtmall.com.cn/mall/search.php?catid=887
    """
    for one_level_url, one_level_title in get_one_level_class(home_url):
        jpy = PyQuery(one_level_url)
        items = jpy('.selector_category li')
        for line in items:
            jpy = PyQuery(line)
            two_level_url = jpy('a').attr('href')
            two_level_title = jpy('a').text()
            yield one_level_title, two_level_title, two_level_url
def get_pages(url):
    """
    获取页数
    :return:
    """
    jpy = PyQuery(url)
    pages = jpy('.pagination cite').text()
    print('原pages:', pages)
    try:
        pages = int(re.findall('共.*?条/(.*)页', pages)[0])
    except Exception as e:
        print(e)
        pages = 1
    print('页码:', pages)
    return pages
def get_three_level_class(home_url):
    """
    三级标题
        母婴用品 营养辅食 DHA http://www.kgtmall.com.cn/mall/search.php?catid=548
        母婴用品 营养辅食 益生菌/初乳 http://www.kgtmall.com.cn/mall/search.php?catid=549
        母婴用品 营养辅食 清火/开胃/驱虫 http://www.kgtmall.com.cn/mall/search.php?catid=550
    """
    for one_level_title, two_level_title, two_level_url in get_two_level_class(home_url):
        jpy = PyQuery(two_level_url)
        items = jpy('.selector_category li')
        for line in items:
            jpy = PyQuery(line)
            three_level_title = jpy('a').text()
            three_level_url = jpy('a').attr('href')
            catid = re.findall('http://www.kgtmall.com.cn/mall/search.php\?catid=(.*)', three_level_url)[0]
            pages = get_pages(three_level_url)
            # for index in range(1, 3):
            for index in range(1, pages + 1):
                three_level_url_by_xiaoliang = 'http://www.kgtmall.com.cn/mall/search.php?kw=&list=0&catid={}&order=10&minprice=&maxprice=&page={}'.format(
                catid, index)
                yield one_level_title, two_level_title, three_level_title, three_level_url_by_xiaoliang
def shop_title_and_url(home_url):
    """
    商品标题和url
        母婴用品 营养辅食 DHA 澳洲直邮 澳大利亚RIFOLD 儿童DHA90粒(一月以上适用) http://www.kgtmall.com.cn/mall/show.php?itemid=28089
        母婴用品 营养辅食 益生菌/初乳 澳大利亚 Maxigenes美可卓 全脂高钙奶粉(蓝胖子)1kg 两罐装 http://www.kgtmall.com.cn/mall/show.php?itemid=23486
    """
    for one_level_title, two_level_title, three_level_title, three_level_url_by_xiaoliang in get_three_level_class(home_url):
        jpy = PyQuery(three_level_url_by_xiaoliang)
        items = jpy('.list_img a')
        for line in items:
            jpy = PyQuery(line)
            shop_url = jpy('a').attr('href')
            shop_title = jpy('a img').attr('alt')
            yield one_level_title, two_level_title, three_level_title, shop_title, shop_url
def get_shop_info(home_url, count):
    for one_level_title, two_level_title, three_level_title, shop_title, shop_url in shop_title_and_url(home_url):
        print('--排错:' + one_level_title, two_level_title, three_level_title, shop_title, shop_url)
        jpy = PyQuery(shop_url)
        price = jpy('.price').text()
        # 条形码
        bar_code = jpy('.bar_code dl dd p').text()
        goods_detail = jpy('#content')
        try:
            guige = re.findall('规格:(.*)', goods_detail.text())[0]
        except:
            guige = '没有规格'
        try:
            chandi = re.findall('产地:(.*)', goods_detail.text())[0]
        except:
            chandi = '没有产地'
        print(count, one_level_title, two_level_title, three_level_title, shop_title,  bar_code, chandi, guige,  price, shop_url)
        row = ([one_level_title, two_level_title, three_level_title, shop_title,  bar_code, chandi, guige,  price, shop_url])
        ppath = os.path.dirname(__file__)
        csv_file = ppath + '/result.csv'
        # newline是为了解决csv文件里面有多余的空行,encoding是为了解决写不进csv数据报字符集的报错
        with open(csv_file, 'a', newline='', encoding='utf-8') as f:
            writer = csv.writer(f)
            writer.writerow(row)
        count += 1
def main():
    # 记录一下开始时间
    start_time = datetime.datetime.now()
    home_url = 'http://www.kgtmall.com.cn/'
    # 当前代码路径
    ppath = os.path.dirname(__file__)
    csv_file = ppath + '/result.csv'
    headers = (['一级分类', '二级分类', '三级分类', '商品名称', '条码', '产地', '规格', '价格', '商品链接'])
    # newline是为了解决csv文件里面有多余的空行,encoding是为了解决写不进csv数据报字符集的报错
    with open(csv_file, 'w', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        writer.writerow(headers)
    count = 1
    get_shop_info(home_url, 1)
    # 记录一下结束时间
    end_time = datetime.datetime.now()
    # 记录程序执行用时
    timediff = end_time - start_time
    print('总共用时{}秒\n'.format(str(timediff.seconds)))
    print('全部商品已经按需求完成!!!')
if __name__ == '__main__':
    main()


    运行后,会在当前目录下生成个result.csv文件,内容如下:


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/28916011/viewspace-2666192/,如需转载,请注明出处,否则将追究法律责任。

全部评论

注册时间:2014-06-03

  • 博文量
    201
  • 访问量
    640982