資料抓取分析(python + mongodb)Python資料抓取分析
程式設計模組：requests,lxml，pymongo，time，BeautifulSoup
首先獲取所有產品的分類網址：
1 def step():
2 try:
3 headers = {
4 。。。。。
5 }
6 r = requests.get(url,headers,timeout=30)
7 html = r.content
8 soup = BeautifulSoup(html,"lxml")
9 url = soup.find_all(正則表示式)
10 for i in url:
11 url2 = i.find_all('a')
12 for j in url2:
13 step1url =url + j['href']
14 print step1url
15 step2(step1url)
16 except Exception,e:
17 print e
我們在產品分類的同時需要確定我們所訪問的地址是產品還是又一個分類的產品地址(所以需要判斷我們訪問的地址是否含有if判斷標誌)：
1 def step2(step1url):
2 try:
3 headers = {
4 。。。。
5 }
6 r = requests.get(step1url,headers,timeout=30)
7 html = r.content
8 soup = BeautifulSoup(html,"lxml")
9 a = soup.find('div',id='divTbl')
10 if a:
11 url = soup.find_all('td',class_='S-ITabs')
12 for i in url:
13 classifyurl = i.find_all('a')
14 for j in classifyurl:
15 step2url = url + j['href']
16 #print step2url
17 step3(step2url)
18 else:
19 postdata(step1url)
當我們if判斷後為真則將第二頁的分類網址獲取到(第一個步驟)，否則執行postdata函式，將網頁產品地址抓取!
1 def producturl(url):
2 try:
3 p1url = doc.xpath(正則表示式)
4 for i in xrange(1,len(p1url) + 1):
5 p2url = doc.xpath(正則表示式)
6 if len(p2url) > 0:
7 producturl = url + p2url[0].get('href')
8 count = db[table].find({'url':producturl}).count()
9 if count <= 0:
10 sn = getNewsn()
11 db[table].insert({"sn":sn,"url":producturl})
12 print str(sn) + 'inserted successfully'
13 else:
14 'url exist'
15
16 except Exception,e:
17 print e
其中為我們所獲取到的產品地址並存入mongodb中，sn作為地址的新id。
下面我們需要在mongodb中通過新id索引來獲取我們的網址並進行訪問，對產品進行資料分析並抓取，將資料更新進資料庫內!
其中用到最多的BeautifulSoup這個模組，但是對於存在於js的價值資料使用BeautifulSoup就用起來很吃力，所以對於js中的資料我推薦使用xpath，但是解析網頁就需要用到HTML.document_fromstring(url)方法來解析網頁。哪些人更容易患上陽痿呢?
對於xpath抓取價值資料的同時一定要細心!如果想了解xpath就在下面留言，我會盡快回答!
1 def parser(sn,url):
2 try:
3 headers = {
4 。。。。。。
5 }
6 r = requests.get(url, headers=headers,timeout=30)
7 html = r.content
8 soup = BeautifulSoup(html,"lxml")
9 dt = {}
10 #partno
11 a = soup.find("meta",itemprop="mpn")
12 if a:
13 dt['partno'] = a['content']
14 #manufacturer
15 b = soup.find("meta",itemprop="manufacturer")
16 if b:
17 dt['manufacturer'] = b['content']
18 #description
19 c = soup.find("span",itemprop="description")
20 if c:
21 dt['description'] = c.get_text().strip()
22 #price
23 price = soup.find("table",class_="table table-condensed occalc_pa_table")
24 if price:
25 cost = {}
26 for i in price.find_all('tr'):
27 if len(i) > 1:
28 td = i.find_all('td')
29 key=td[0].get_text().strip().replace(',','')
30 val=td[1].get_text().replace(u'\u20ac','').strip()
32 cost[key] = val
33 if cost:
34 dt['cost'] = cost
35 dt['currency'] = 'EUR'
36
37 #quantity
38 d = soup.find("input",id="ItemQuantity")
39 if d:
40 dt['quantity'] = d['value']
41 #specs
42 e = soup.find("div",class_="row parameter-container")
43 if e:
44 key1 = []
45 val1= []
46 for k in e.find_all('dt'):
47 key = k.get_text().strip().strip('.')
48 if key:
49 key1.append(key)
50 for i in e.find_all('dd'):
51 val = i.get_text().strip()
52 if val:
53 val1.append(val)
54 specs = dict(zip(key1,val1))
56 dt['specs'] = specs
57 print dt
58
59
60 if dt:
61 db[table].update({'sn':sn},{'$set':dt})
62 print str(sn) + ' insert successfully'
63 time.sleep(3)
64 else:
65 error(str(sn) + '\t' + url)
66 except Exception,e:
67 error(str(sn) + '\t' + url)
68 print "Don't data!"
最後全部程式執行，將價值資料分析處理並存入資料庫中!