Python爬虫120例之第20例，1637一路商机网全站加盟数据采集

Posted 2022-04-14 梦想橡皮擦

接下来的一些案例，将围绕销售用基础数据采集，行业将选择美妆行业，请知晓。

本案例将采用 lxml 与 cssselect 相结合的方式进行采集，重点在 cssselect 选择器。

目标站点分析

本次要抓取的目标为 http://www.1637.com/，该网站具备多分类，采集时提前将分类存储到一列表中，便于后续扩展。后来发现可一级行业可以选择 不限，此时可获取全部分类，基于此，我们先将全部数据抓取到本地，然后在筛选出美容/美妆行业相关加盟数据即可。

本次要抓取的数据量与页数如下图所示。

抓取数据采用旧办法，先把 html 页面保存到本地，然后在进行二次处理。

使用到的技术点

请求数据使用 requests，数据提取使用 lxml + cssselect 实现，使用 cssselect 之前，通过 pip install cssselect 安装对应库即可。

安装完毕，在代码中有两种使用方式，其一采用 CSSSelector class，具体如下：

from lxml.cssselect import CSSSelector
# 与正则表达式的使用方式有点相似，先构造一个CSS选择器对象
sel = CSSSelector(#div_total>em, translator="html")
# 然后将 Element 对象传入
element = sel(etree.HTML(res.text))
print(element[0].text)

上述用法适合提前构建好选择器，更便于扩展，如果不使用该方式，可以直接使用 cssselect method 进行实现，即下述代码：

# 通过 cssselect 选择器，选择 em 标签
div_total = element.cssselect(#div_total>em)

不管使用上述两种方式中的哪一种，括号中的内容 #div_total>em 才是我们学习的重点，该写法是 CSS 选择器 的一种写法，如果你比较了解前端知识，很容易就可以掌握，如果不了解也没有问题，先记住如下内容。

CSS 选择器
假设存在如下一段 HTML 代码：

<div class="totalnum" id="div_total">共<em>57041</em>个项目</div>

其中 class，id 都为 HTML 标签的属性值，一般 class 在网页中可以存在多个，而 id 只能存在一个。

如果希望获取 div 标签，使用 css 选择器，使用 #div_total 或者 .totalnum 都可以实现，重点注意如果依据 id 获取，那前面的符号为 #，如果依赖 class 获取，那前面的符号为 . 有的时候还会存在其它属性，在 css选择器 中，可以这样编写，修改 HTML 代码如下所示。

<div class="totalnum" id="div_total" custom="abc"> 共<em>57041</em>个项目 </div>

编写如下测试代码，注意 CSSSelector 部分的 css选择器 写法，即 div[custom="abc"] em。

sel = CSSSelector(div[custom="abc"] em, translator="html")
element = sel(etree.HTML(<div class="totalnum" id="div_total" custom="abc"> 共<em>57041</em>个项目 </div>))
print(element[0].text)

上述 css选择器 还应用到了一个知识点，叫做后代选择器，例如 #div_total>em，其中 #div_total 与 em 之间，存在一个 > 符号，该符号表示选择 id=div_total 的直接子元素 em，如果去除中间的 >，修改为 #div_total>em，表示选择 id=div_total 所有后代元素（子孙辈元素）中的 em 元素。

以上内容进行了简单掌握之后，你就可以简单编写自己的 cssselect 代码了。

编码时间

本案例采用的抓取方式为，先抓取 HTML 页面到本地，在针对本地文件进行解析，故采集代码比较简单，只需要动态获取一下总页码数即可。下述代码重点注意 get_pagesize 函数内部逻辑。

import requests
from lxml.html import etree
import random
import time

class SSS:
    def __init__(self):
        self.start_url = http://xiangmu.1637.com/p1.html
        self.url_format = http://xiangmu.1637.com/p.html
        self.session = requests.Session()
        self.headers = self.get_headers()

    def get_headers(self):
        # 可从先前博客获取该函数
        uas = [
            "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)"
        ]
        ua = random.choice(uas)
        headers = 
            "user-agent": ua,
            "referer": "https://www.baidu.com"
        
        return headers

    def get_pagesize(self):

        with self.session.get(url=self.start_url, headers=self.headers, timeout=5) as res:
            if res.text:
                element = etree.HTML(res.text)
                # 通过 cssselect 选择器，选择 em 标签
                div_total = element.cssselect(#div_total>em)
                # 获取 em 标签内部文本 div_total[0].text，并将其转换为整数
                total = int(div_total[0].text)
                # 获取页码
                pagesize = int(total / 10) + 1
                # print(pagesize)
                # 总数恰好被10整数，不用额外增加一页数据
                if total % 10 == 0:
                    pagesize = int(total / 10)

                return pagesize
            else:
                return None

    def get_detail(self, page):
        with self.session.get(url=self.url_format.format(page), headers=self.headers, timeout=5) as res:
            if res.text:
                with open(f"./加盟1/page.html", "w+", encoding="utf-8") as f:
                    f.write(res.text)
            else:
                # 如果无数据，重新请求
                print(f"页码page请求异常，重新请求")
                self.get_detail(page)

    def run(self):
        pagesize = self.get_pagesize()
        # 测试数据，可临时修改 pagesize = 20
        for page in range(1, pagesize):
            self.get_detail(page)
            time.sleep(2)
            print(f"页码page抓取完毕！")

if __name__ == __main__:
    s = SSS()
    s.run()

经过测试，如果不增加时间限制，很容易被限制 IP，即无法获取到数据，通过添加代理可以解决，如果只对数据感兴趣，可以直接在 下载地址 下载 HTML 包数据，解压密码为 cajie。

二次提取数据

当静态 HTML 全部爬取到本地之后，提取页面数据，就变得简单了，毕竟不需要再解决反爬问题。

此时用到的核心技术点就是读取文件，在通过 cssselect 提取固定数据值。

通过开发者工具，查询数据所在标签节点如下，针对 class=xminfo 的内容进行提取即可。

下述代码核心展示数据提取方法，其中 format 函数为重点学习内容，由于数据存储为 csv 文件，所以需要 remove_character 函数去处理 \\n 和英文 , 号。

# 数据提取类
class Analysis:
    def __init__(self):
        pass

    # 去除特殊字符
    def remove_character(self, origin_str):
        if origin_str is None:
            return
        origin_str = origin_str.replace(\\n, )
        origin_str = origin_str.replace(,, ，)
        return origin_str

    def format(self, text):
        html = etree.HTML(text)
        # 获取所有项目区域 div
        div_xminfos = html.cssselect(div.xminfo)
        for xm in div_xminfos:
            adtexts = self.remove_character(xm.cssselect(a.adtxt)[0].text)  # 获取广告词列表
            url = xm.cssselect(a.adtxt)[0].attrib.get(href)  # 获取详情页地址

            brands = xm.cssselect(:nth-child(2)>:nth-child(2))[1].text  # 获取品牌列表
            categorys = xm.cssselect(:nth-child(2)>:nth-child(3)>a)[0].text  # 获取分类，例如 ["餐饮","小吃"]
            types = 
            try:
                # 此处可能不存在二级分类
                types = xm.cssselect(:nth-child(2)>:nth-child(3)>a)[1].text  # 获取分类，例如 ["餐饮","小吃"]
            except Exception as e:
                pass
            creation = xm.cssselect(:nth-child(2)>:nth-child(6))[0].text  # 品牌建立时间列表
            franchise = xm.cssselect(:nth-child(2)>:nth-child(9))[0].text  # 加盟店数量列表
            company = xm.cssselect(:nth-child(3)>span>a)[0].text  # 公司名称列表

            introduce = self.remove_character(xm.cssselect(:nth-child(4)>span)[0].text)  # 品牌介绍
            pros = self.remove_character(xm.cssselect(:nth-child(5)>:nth-child(2))[0].text)  # 经营产品介绍
            investment = xm.cssselect(:nth-child(5)>:nth-child(4)>em)[0].text  # 投资金额
            # 拼接字符串
            long_str = f"adtexts,categorys,types,brands,creation,franchise,company,introduce,pros,investment,url"
            with open("./加盟数据.csv", "a+", encoding="utf-8") as f:
                f.write(long_str + "\\n")

    def run(self):
        for i in range(1, 5704):
            with open(f"./加盟/i.html", "r", encoding="utf-8") as f:
                text = f.read()
                self.format(text)

if __name__ == __main__:
    # 采集数据，运行哪部分，去除注释即可
    # s = SSS()
    # s.run()
    # 提取数据
    a = Analysis()
    a.run()

上述代码在提取 HTML 标签时，反复用到了 :nth-child(2)，该选择器是:匹配属于其父元素的第 N 个子元素，不论元素的类型，所以你只需要准确的找到元素位置即可。