利用 pyspider 框架抓取猫途鹰酒店信息

Posted 2020-10-06 希希里之海

　　利用框架 pyspider 能实现快速抓取网页信息，而且代码简洁，抓取速度也不错。

　　环境：macOS；Python 版本：Python3。

　　1.首先，安装 pyspider 框架，使用pip3一键安装：

pip3 pyspider

 

2.终端输入 pyspider all 启动 pyspider：

打开 Chrome，地址栏输入 localhost:5000 进入 pyspider 框架的webui界面。

点击 create ，创建 一个新的project。

 

3.创建完 project 后，我们便进入了代码调试界面。

这次我们要抓取的信息是猫途鹰网关于布拉格的酒店信息，把网址填入 on_star 一栏并替换掉 on_star ， 点击 save 保存，点击左上角 run 选项，然后点击出现的网址右侧的箭头的选项：

便出现 index_page 的页面，我们点击 web 选项卡，出现网页内容后点击 enable css selector helper  ，选中酒店标题的超链接，这时上方便出现该标题的 CSS 选择器，把选择器内容复制粘贴替换掉右侧代码中的 a[href^="http"] ，save 后再次点击 run，但是 pyspider 的选择器并不一定准确，需要自己随时更改。这时我们便得到了我们想要的酒店标题超链接。

 

 

4.点击其中一个网页的右边的小箭头，进入详情页界面，我们要获取的信息便是详情页中的内容。类似的用 CSS 选择器获取酒店的信息，写入代码如下：

 def detail_page(self, response):
        url = response.url
        name = response.doc(\'.heading_title\').text()
        rating = response.doc(\'.header_rating .taLnk\').text()
        ranking = response.doc(\'.prw_common_header_pop_index > span\').text()
        location = response.doc(\'.colCnt3\').text()
        phone = response.doc(\'.blEntry.phone > span:nth-child(2)\').text()
        grade = response.doc(\'.overallRating\').text()
        return {
            "url": url,
            "name": name,
            "rating": rating,
            "ranking": ranking,
            "location": location,
            "phone": phone,
            "grade": grade
       
        }

便返回酒店链接，名称，点评，排名，地址，电话，评分这七个信息，保存后点击 run，我们便能看到打印的信息。

 

5.存储信息到 MongoDB：

import pymongo

client = pymongo.MongoClient(\'localhost\')
db = client[\'trip\']

def on_result(self, result):
    if result:
        self.save_to_mongo(result)

def save_to_mongo(self, result):
    if self.db[\'布拉格\'].insert(result):
        print(\'存储到 MongoDB 成功\', result)

 

6.模拟翻页抓取多页面：

在 index_page(self, response) 函数中插入：

next = response.doc(\'.pagination .nav.next\').attr.href
self.crawl(next, callback=self.index_page)

 

7.到这时，我们代码便写完了，退出 project ，在控制面板中 status 栏更改方式为 DEBUG ，点击 run，运行代码，Active Tasks 可以查看当前任务。

 

8.存储到MongoDB 的信息。

 

到现在，我们便完成了对猫途鹰网上布拉格酒店信息的爬取。

 

参考文档：http://docs.pyspider.org

 

代码 github 地址：https://github.com/weixuqin/PythonProjects/blob/master/pyspider/spider.py