作业要求:
作业要求更改说明:由于58同城页面改版,二手商品的个人卖家均改为了“转转”,因此,本次爬虫作业,无法屏蔽转转卖家,而是直接从转转卖家的页面爬取信息。
我的代码
from bs4 import BeautifulSoup
import requests
import time
import os
'''
本作业是完成爬取http://bj.58.com/shouji上的商品信息,最后将商品信息存在本地的.txt文件中
每个商品的共有一下属性:
root : 商品路径
title : 商品标题
price : 商品当前价格
view : 商品的访问次数
image : 商品封面图片
area : 商品所属地
qual_label : 商品的质量标签
'''
def get_search_url(pageNum, who_sells, type = 'shouji'):
'''
用来生成一个搜索页的URL
:param pageNum: 访问的页码
:param who_sells: 个人卖家以及商家卖家
:param type: 商品类型
:return: URL的字符串
'''
url = 'http://bj.58.com/{}/{}/{}'\
.format(type, str(who_sells), 'pn'+str(pageNum))
return url
def get_links(url, headers):
'''
用来得到当前搜索页的所有商品链接
:param url: 当前搜索页的URL
:param headers: 本机的headers
:return: 一个list: 如果当前搜索页访问的状态码!=200,返回一个空list
如果当前搜索页访问状态码== 200,返回由当前页所有商品的URL组成的list
'''
webSite = requests.get(url, headers)
urls = []
if webSite.status_code != 200 :
print('status_code : ', str(webSite.status_code),'\n', url, 'cannot open')
return urls
soup = BeautifulSoup(webSite.text, 'lxml')
links = soup.select('td.t > a.t')
for link in links:
urls.append(link.get('href'))
return urls
def get_sinlge_info(url, headers):
'''
用来得到一个商品的信息
:param url: 商品页的URL
:param headers: 本机访问的headers
:return: 一个dictionary : 如果商品页访问状态码 != 200, 返回空dictionary
如果状态码 == 200, 返回包含商品信息的dictionary
'''
webSite = requests.get(url, headers=headers)
single_info = {}
if webSite.status_code != 200:
#这里可以设置打印出错误的状态码,便于调bug
return single_info # 如果状态码不是200,访问网页会有一定问题,则跳入下一次循环
soup = BeautifulSoup(webSite.text, 'lxml')
root = soup.select('div.breadCrumb')
title = soup.select('div.box_left_top > h1')
price = soup.select('span.price_now > i')
view = soup.select('span.look_time')
image = soup.select('div.g_img > span > img')
area = soup.select('div.palce_li > span > i')
qual_label = soup.select('div.quality > span > span.qual_label')
single_info = {
'root' : list(root[0].stripped_strings), # 商品路径
'title': title[0].get_text(), # 商品标题
'view' : int(view[0].get_text()[:-3]), # 访问次数
'price': float(price[0].get_text()), # 价格
'image': image[0].get('rel'), # 商品封面图片
'area' : area[0].get_text(), # 商品区域
'qual_label': [label.get_text() for label in qual_label] # 商品质量标签
}
return single_info
def get_info_from(pageNum = 1, who_sells = 0, type = 'shouji'):
'''
从 pageNum 中获取 who_sells 销售的 type 类型商品信息
:param pageNum: 搜索页的页码(默认为第1页)
:param who_sells: 销售的用户类型(默认为个人卖家)
:param type: 商品类型(默认为手机)
:return: 一个list, 每个元素为一个商品信息组成的dictionary
'''
headers = {
'User-Agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36',
'Cookie' : 'bj58_id58s="Rm9Ca1lhQU1Fd0ZROTA1NA=="; id58=c5/njVeK25sP1F/iJ71uAg==; als=0; myfeet_tooltip=end; bangbigtip2=1; ipcity=km%7C%u6606%u660E%7C0; sessionid=812ecc7d-5679-4b81-b3c5-bc6c57997b68; final_history=26097540789057%2C26727826953024%2C26697721819855%2C26062681492781; city=bj; 58home=bj; bj58_new_session=0; bj58_init_refer=""; bj58_new_uv=4; 58tj_uuid=6530a941-1013-4a74-b2a4-9f9781f6f4ca; new_session=0; new_uv=4; utm_source=; spm=; init_refer='
}
search_url = get_search_url(pageNum, who_sells, type) #获取搜索页的URL
links = get_links(search_url, headers = headers)
info = []
for link in links:
# time.sleep(2) #每访问一个网页暂停一秒
try:
single_info = get_sinlge_info(url = link, headers = headers)
except requests.exceptions.ConnectionError as e:
print(e.__traceback__)
time.sleep(10)
if len(single_info) == 0: #如果网页的response的状态码不是200,则get_sinlge_info返回空的dict
continue
info.append(single_info)
return info
def write_info(info, filename):
'''
将商品信息写入本地的filename中,为了降低I/O开销,因此每访问完一个搜索页所有的商品信息后再写入一次
:param filename: 本地的filename的绝对路径
:param info: 多个商品信息组成的list
:return: void
'''
with open(filename,'a') as file:
for single_info in info:
file.write(str(single_info))
file.write('\n')
print('又完成了一页')
def main():
filename = '/Users/xyh/Documents/python/python3/Week1/Week1_Homework/product.txt'
for pageNum in range(1,11):
info = get_info_from(pageNum = pageNum, who_sells=0, type='shouji')
write_info(info, filename)
if __name__ == '__main__':
main()
代码写得有扩展性:
get_info_from()
函数设计得可以传入,页码,卖家类别,以及商品类别,使得该函数不只适合本次作业,可以适合58同城的其他商品爬取
总结
- 由于58同城页面的改版,浏览次数并不需要像作业详解中的从JS文件中获取,而是直接从html页面中获取,因此浏览次数并不复杂
- 封面图片的链接,这次并不在<img>标签内的“src”属性中,而是在“rel”属性中
问题:怎样使得程序更健壮?
- 希望如果网页如果不是正常打开时,有更完备的解决方案。因为在58同城中,如果商品搜不到,返回的是58自己设计的404页面,从浏览器看,这个页面的状态码也是200。
- 希望可以设置一个功能,当10s内网页没有解析出来,就打印出相关信息,并跳到下一页。但是不知道怎么做。
- 希望能够有老师能够提供一些关于爬虫问题的异常处理的方案,或者教程,让程序变得更健壮。