爬虫原创08 使用简单正则表达式爬取下厨房(早餐,午餐,晚餐)

Posted copywang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫原创08 使用简单正则表达式爬取下厨房(早餐,午餐,晚餐)相关的知识,希望对你有一定的参考价值。

      目的

1)      提取下厨房关键词为(早餐,午餐,晚餐)的菜谱

2)      获取“菜谱链接,图片地址,菜名,材料,七天内多少人做过,作者“,存储到MONGODB

3)      对每个菜谱进行网页截图,保存到本地

2.      目标站点分析

网址:

http://www.xiachufang.com/

输入关键词“早餐”,发现是跳转链接(暂时没想到这种怎么处理比较好,就单独拿出来处理吧)

 


午餐和晚餐的网址就比较一致

 


3.      爬取思路(以午餐为例)

1)      根据午餐关键词,组合url,请求得到第一页结果

2)      解析第一页结果,使用正则表达式获取,提取详情页信息和其他信息

3)      根据详情页信息的url获取详情页,截图保存,文件夹使用详情页URLID_菜名

4)      改变page参数,获取多页内容

4.      需要处理的

1)      早餐的url独立处理(跳转的url还没学过怎么处理)

2)      有一些菜谱存在综合评分的数字,有些不存在,无法用正则表达式统一提取,待改进

3)      获取的菜谱名和用户名几乎都会存在windows下文件夹不能存在的特殊字符,使用链式replace替换

4)      page用于多线程处理

5)      截图使用seleniumPhantomjs完成,暂时只会截取全屏,还没研究过怎么截取需要的部分

6)      增量更新,包括数据库和网页截图的方法(做法变化或者作者更新删除等的判断),这些还没学会怎么做(虽然现在的爬虫框架比如Scrapy/Pyspider都提供了去重的功能,但是具体实现还没研究过),这是一个造轮子的过程

5.      代码部分

1)      解析每一页,得到“菜谱链接,图片地址,菜名,材料,七天内多少人做过,作者”

 


2)      解析详情页,并截图

 


3)      存到MongoDB

 


4)      开启多线程

 


 

       以前写个爬虫要1天时间,现在好了一点,2小时能撸完一个简单的爬虫,再接再厉

 

爬取效果:



18页结果一共运行了5分半钟(4核处理器)

 

 

 

代码地址:

https://github.com/copywang/spiders_collection/tree/master/08_xiachufang

 

以上是关于爬虫原创08 使用简单正则表达式爬取下厨房(早餐,午餐,晚餐)的主要内容,如果未能解决你的问题,请参考以下文章

27周末吃什么(每周五自动爬取下厨房本周最受欢迎的菜谱)

python爬虫入门练习,使用正则表达式和requests爬取LOL官网皮肤

Python爬虫应用实战案例-xpath正则表达式使用方法,爬取精美壁纸

Python爬虫:爬取糗事百科

Python爬虫_案例:使用正则表达式的爬虫

Python爬虫_案例:使用正则表达式的爬虫