快一年沒更新博客了，現(xiàn)在總結(jié)一下這大半年來研究、學(xué)習(xí)的知識(shí)，博客陸續(xù)更新中。。。
這個(gè)爬蟲項(xiàng)目是去年4、5月份做的，主要技術(shù)是BeautifulSoup、select、requests、MongoDB、highchart
首先，我們登陸趕集網(wǎng)可以看到二手商品信息的首頁，即爬蟲的起始url是：http://sh.ganji.com/wu/，分析網(wǎng)頁結(jié)構(gòu)可以看到二手商品信息分類中有：手機(jī)、手機(jī)配件、手機(jī)號(hào)碼、筆記本電腦、臺(tái)式機(jī)等20多個(gè)商品分類子頻道，分別打開每個(gè)子頻道的url，可以看到對(duì)應(yīng)的二手商品列表，每個(gè)二手商品列表中的url對(duì)應(yīng)一個(gè)詳細(xì)頁面，我們要獲取的就是每個(gè)詳細(xì)頁面上的信息。
首先，我們定義 headers 部分，headers 包含 User-Agent、Cookie、Referer等信息，這是為了偽裝成瀏覽器的形式，以應(yīng)對(duì)反爬蟲措施。
requests.get解析url：
wb_data = requests.get(url, headers=headers)
BeautifulSoup的lxml解析文本：
soup = BeautifulSoup(wb_data.text, 'lxml')
關(guān)于BeautifulSoup中的各種html解析器，我做了一個(gè)小的研究，html.parser：這是python自帶的，速度上當(dāng)然是沒問題的，但是兼容性不好， python2.7.3以前的版本不兼容；lxml：解析速度很快、兼容性好，但是正因?yàn)槠浣馕鏊俣瓤?，有時(shí)會(huì)出現(xiàn)解析不到數(shù)據(jù)的情況；html5lib：兼容性非常好，解析成功率非常高(有時(shí)用lxml解析不到時(shí)，用html5lib卻能解析到)，但是速度非常慢；綜合這三種html解析器，我覺得lxml是最為折中的。
select選擇器定位文本：
links = soup.select('div.main-pop dl dt a')獲取詳細(xì)信息：
延伸閱讀
- ssh框架 2016-09-30
- 阿里移動(dòng)安全 [無線安全]玩轉(zhuǎn)無線電——不安全的藍(lán)牙鎖 2017-07-26
- 消息隊(duì)列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 論文筆記【圖片目標(biāo)分割】 2017-07-26
- 詞向量-LRWE模型-更好地識(shí)別反義詞同義詞 2017-07-26
- 從棧不平衡問題 理解 calling convention 2017-07-26
- php imagemagick 處理 圖片剪切、壓縮、合并、插入文本、背景色透明 2017-07-26
- Swift實(shí)現(xiàn)JSON轉(zhuǎn)Model - HandyJSON使用講解 2017-07-26
- 阿里移動(dòng)安全 Android端惡意鎖屏勒索應(yīng)用分析 2017-07-26
- 集合結(jié)合數(shù)據(jù)結(jié)構(gòu)來看看(二) 2017-07-26
學(xué)習(xí)是年輕人改變自己的最好方式