2-2homework

结果


Result.png

代码


from bs4 import BeautifulSoup
import requests
import time
import pymongo

client = pymongo.MongoClient('localhost', 27017)
tongcheng = client['tongcheng']
shoujihao = tongcheng['shoujihao']
infos = tongcheng['infos']

def get_links_from(page):
    url = 'http://bj.58.com/shoujihao/pn{}'.format(page)
    wb_data = requests.get(url)
    time.sleep(2)

    soup = BeautifulSoup(wb_data.text, 'lxml')
    handle_soup(soup)
    # handle_soup2(soup)


def handle_soup2(soup):
    pageinfo = soup.select('#infocont > span > b')
    if int(pageinfo[0].text) == 0:
        print('last page')
    else:
        get_data(soup)


def handle_soup(soup):
    if soup.select_one('#infolist > div > ul').find('div', 'boxlist'):
        get_data(soup)
    else:
        print("It's Last page in shoujihao.")


def get_data(soup):
    titles = soup.select('div.boxlist > ul > li > a > strong.number')
    links = soup.select('div.boxlist > ul > li > a.t')
    for title, link in zip(titles, links):
        data = {
            'title': title.text,
            'link': link.get('href')
        }
        # print(data)
        shoujihao.insert_one(data)


def isexist(soup):
    js_src = soup.find('script', type='javascript')

    if js_src:
        return '404' in js_src.get('src').split('/')
    else:
        return None

def get_item_info(url):
    wb_data = requests.get(url)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    no_longer_exist = isexist(soup)
    if no_longer_exist:
        print('not exist')
    else:
        prices = soup.select('#main > div.col.detailPrimary.mb15 > div.col_sub.sumary > ul > li > div.su_con > span.price')

        # print(titles, prices, sep="\n-------\n")
        for price in prices:
            data = {
                'title': soup.title.text,
                'price': price.text.replace('\n', '').replace('\t', '').replace('\r', '').replace(' ', '')
            }
            # print(data)
            infos.insert(data)

if __name__ == '__main__':
    for page in range(1, 1001):
        get_links_from(page)

    for item in shoujihao.find():
        get_item_info(item['link'])

总结


1. 边界条件的判断

// 详情页面:链接不存在,404判断
// 一般的情况是在js的src里面还有一个跳转的404链接
// 具体的情况还要具体分析,本例只作为一个参考

def isexist(soup):
    js_src = soup.find('script', type='javascript')

    if js_src:
        return '404' in js_src.get('src').split('/')
    else:
        return None


// last_page:强行给page一个最大的参数测试页面临界的效果,是404,还是特殊处理
// 特殊情况,就要观察lastPage和normalPage的区别,加以判断

// solution 1
def handle_soup(soup):
    pageinfo = soup.select('#infocont > span > b')
    if int(pageinfo[0].text) == 0:
        print('last page')
    else:
        get_data(soup)

// solution 2
def handle_soup2(soup):
    if soup.select_one('#infolist > div > ul').find('div', 'boxlist'):
        get_data(soup)
    else:
        print("It's Last page in shoujihao.")

solution 1: 根据页面结构的区别

strcuture.png

solution 2: 根据页面直观表现的区别

normal_page.png
last_page.png

2. 监控数据库写入情况,仅提供一个思路

import time
from page_parsing import url_list

while True:
    print(url_list.find().count())
    time.sleep(5)

3. 多进程写入

from multiprocessing import Pool

if __name__ == '__main__':
    pool = Pool()
    # pool = Pool(processes=6)  // 可以控制进程启动数量
    pool.map(get_all_links_from, channel_list.split())

4. 多个参数的格式化

list_view = '{}{}/pn{}/'.format('http://bj.58.com/shoujihao/', str(who_sells), str(page))

5. soup.selcet之后返回的是一个list

pageinfo = soup.select('#infocont > span > b')
// 这里直接使用pageInfo.text,则会报错
if int(pageinfo[0].text) == 0:
        print('last page')
else:
        pass
b标签.png

6. soup.select_one 只返回第一个查找元素

soup.select_one('#infolist > div > ul').find('div', 'boxlist')

// find这个函数,可以连续的再后面的find,有点像replace( )

BeautifulSoup和Request 还是理解程度太少了,得多看文档

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,123评论 6 490
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,031评论 2 384
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,723评论 0 345
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,357评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,412评论 5 384
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,760评论 1 289
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,904评论 3 405
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,672评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,118评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,456评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,599评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,264评论 4 328
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,857评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,731评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,956评论 1 264
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,286评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,465评论 2 348

推荐阅读更多精彩内容