快一年沒(méi)更新博客了，現(xiàn)在總結(jié)一下這大半年來(lái)研究、學(xué)習(xí)的知識(shí)，博客陸續(xù)更新中。。。
這個(gè)爬蟲(chóng)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(yè)，即爬蟲(chóng)的起始url是：http://sh.ganji.com/wu/，分析網(wǎng)頁(yè)結(jié)構(gòu)可以看到二手商品信息分類(lèi)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(lèi)子頻道，分別打開(kāi)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(yè)面，我們要獲取的就是每個(gè)詳細(xì)頁(yè)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(chóng)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(méi)問(wèn)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)槠浣馕鏊俣瓤欤袝r(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(jué)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：
網(wǎng)友評(píng)論
