本文实例为大家分享了Python抓取聚划算商品页面获取商品信息并保存的具体代码,供大家参考,具体内容如下
#!/user/bin/python # -*- coding: gbk -*- #Spider.py import urllib2 import httplib import StringIO import gzip import re import chardet import sys import os import datetime from xml.dom.minidom import Document from BeautifulSoup import BeautifulSoup ## 这段代码是用于解决控制台打印汉字报错的问题 reload(sys) sys.setdefaultencoding("utf8") ##################################################### ## debug模式开关,开启后可以看到Http请求的头部信息以及debug日志 DEBUG = 1 NO_DEBUG = 0 httplib.HTTPConnection.debuglevel = DEBUG ## 是否显示爬取网页源代码开关 showSrcCode = False ## 压缩方式 ZIP_TYPE = "gzip" fileName = "auctions" location = "d://spiderData/" ## header headerConfig = {"User-Agent":"taobao-yanyuan.qzs", "Accept-encoding":ZIP_TYPE} ##################################################### #############class SpiderConfig ##################### class SpiderConfig: """ configuration for spider name and url """ def __init__(self, name, url): self.name = name self.url = url ##################################################### ##############class SpiderAuctionDomain############## class SpiderAuctionDomain: """ Store information with auctions spidered by python """ title = "" url = "" img = "" price = "" def __init__(self): pass ##################################################### ########class SpiderDefaultErrorHandler############## class SpiderDefaultErrorHandler(urllib2.HTTPDefaultErrorHandler): def http_error_default(self, req, fp, code, msg, hdrs): """ default error process handler for spider """ result = urllib2.HTTPError(req.get_full_url(), code, msg, hdrs, fp) result.status = code result.url = req.get_full_url() print "<", result.url, "Exception code :", result.status, ">" return result ##################################################### #############class SpiderHandler##################### class SpiderHandler: """ spider handler """ def spider(self, spiderConfig): try: request = urllib2.Request(spiderConfig.url) ## configure request hreader for key,val in headerConfig.items(): request.add_header(key, val) ## build opener opener = urllib2.build_opener(SpiderDefaultErrorHandler()) ## open request openRequest = opener.open(request) ## read data spiderData = openRequest.read() ## close opener.close() if 0 == len(spiderData): return if ZIP_TYPE== openRequest.headers.get("Content-Encoding"): spiderData = SpiderHandler.gzipData(self, spiderData) if httplib.HTTPConnection.debuglevel == DEBUG and showSrcCode: print spiderData # parse html SpiderHandler.parse(self, spiderData) except Exception,x: print "spider process Exception:", x def parse(self, spiderData): """ parse html content """ if httplib.HTTPConnection.debuglevel == DEBUG: charsetAnalyze = chardet.detect(spiderData) print "analyze spider data encode :",charsetAnalyze["encoding"] print "执行解析", fileName soup = BeautifulSoup(spiderData) encode = soup.originalEncoding encoding = lambda x : x.encode(encode) if httplib.HTTPConnection.debuglevel == DEBUG: print "识别到编码:", encode title = soup.head.title.string print encoding(title) spiderContents = soup.findAll(name="div", attrs={"class":"main-box avil"}) auctions = ["%s" % s for s in spiderContents] if auctions is None: return auctionList = [] for auc in auctions: auctionDomain = SpiderAuctionDomain() # parse auction link links = re.search(re.compile(r'<a href=[\"|\']http://ju.taobao.com/tg/life_home.htm\"|\']', re.IGNORECASE), auc) if links is not None : auctionDomain.link = encoding("http://ju.taobao.com/tg/life_home.htm" + "".join(["%s" % s for s in links.groups() if len(s) > 0])) #parse auction title titles = re.search(re.compile(r"([^>]*)</a></h2>", re.IGNORECASE), auc) if titles is not None: auctionDomain.title = encoding("".join(["%s" % t for t in titles.groups() if len(t) > 0])) #parse auction price price = re.search(re.compile(r"<strong class=\"J_juPrices\".*</b>([^<]*)</strong>", re.IGNORECASE), auc) if price is not None: auctionDomain.price = "".join(["%s" % p for p in price.groups() if len(p) > 0]) #parse image url imgs = re.search(re.compile(r"<img src=[\'\"]([^>]*)[\'\"]", re.IGNORECASE), auc) if imgs is not None: auctionDomain.img = "".join(["%s" % i for i in imgs.groups() if len(i) > 0]) auctionList.append(auctionDomain) print "成功解析商品信息:" for a in auctionList: print "--->",a.title # sort auction list auctionList = SpiderHandler.sortAuctionList(self, auctionList) # save in file SpiderHandler.save(self, auctionList) print "解析完成" pass def sortAuctionList(self, auctionList): """ 冒泡排序,按照价格排序 """ length = len(auctionList) if length < 2: return auctionList else: for i in range(length-1): for j in range(length - i -1): if float(auctionList[j].price) > float(auctionList[j+1].price): auctionList[j], auctionList[j+1] = auctionList[j+1], auctionList[j] return auctionList pass def save(self, auctionList): if auctionList is not None: doc = Document() auctions = doc.createElement("auctions") doc.appendChild(auctions) for auc in auctionList: auction = doc.createElement("auction") auctions.appendChild(auction) SpiderHandler.generateXML(self, doc, auction, "title", auc.title) SpiderHandler.generateXML(self, doc, auction, "price", auc.price) SpiderHandler.generateXML(self, doc, auction, "img", auc.img) SpiderHandler.generateXML(self, doc, auction, "link", auc.link) if False == os.path.exists(location): os.mkdir(location) file = open(location+fileName+".xml", 'w') file.write(doc.toprettyxml()) file.close() if httplib.HTTPConnection.debuglevel == DEBUG: print doc.toprettyxml() def generateXML(self, doc, f, name, txt): c = doc.createElement(name) f.appendChild(c) c.appendChild(doc.createTextNode(txt)) def gzipData(self, spiderData): """ get data from gzip """ if 0 == len(spiderData): return spiderData spiderDataStream = StringIO.StringIO(spiderData) spiderData = gzip.GzipFile(fileobj=spiderDataStream).read() return spiderData ##################################################### if __name__ == "__main__": nowtime = lambda:datetime.datetime.strftime(datetime.datetime.now(),"%Y年%m月%d日 %H时%m分%S秒") needSpiderUrl = {"suzhou":"http://ju.taobao.com/suzhou", "hangzhou":"http://ju.taobao.com/hangzhou", "shanghai":"http://ju.taobao.com/shanghai", "beijing":"http://ju.taobao.com/beijing", "chengdu":"http://ju.taobao.com/chengdu"} configList = [] for k,v in needSpiderUrl.items(): spiderConfig = SpiderConfig(k, v) configList.append(spiderConfig) spiderHandler = SpiderHandler() print "爬虫执行开始时间:",nowtime() for spiderConfig in configList: fileName = spiderConfig.name spiderHandler.spider(spiderConfig) print "爬虫执行完毕时间:",nowtime()
更多内容请参考专题《python爬取功能汇总》进行学习。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
华山资源网 Design By www.eoogi.com
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
华山资源网 Design By www.eoogi.com
暂无评论...
《魔兽世界》大逃杀!60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容,新游玩模式《强袭风暴》即将于3月21 日在亚服上线,届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕,并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时,他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中,玩家将会进入一个全新的海盗主题大逃杀式限时活动,其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场,作为一个独立于主游戏之外的活动,玩家可以用大逃杀的风格来体验《魔兽世界》,不分职业、不分装备(除了你在赛局中捡到的),光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式,玩家在加入海盗主题的预赛大厅区域前,可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹,《巨龙崛起》和《魔兽世界:巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
2024年11月10日
2024年11月10日
- 雨林唱片《赏》新曲+精选集SACD版[ISO][2.3G]
- 罗大佑与OK男女合唱团.1995-再会吧!素兰【音乐工厂】【WAV+CUE】
- 草蜢.1993-宝贝对不起(国)【宝丽金】【WAV+CUE】
- 杨培安.2009-抒·情(EP)【擎天娱乐】【WAV+CUE】
- 周慧敏《EndlessDream》[WAV+CUE]
- 彭芳《纯色角3》2007[WAV+CUE]
- 江志丰2008-今生为你[豪记][WAV+CUE]
- 罗大佑1994《恋曲2000》音乐工厂[WAV+CUE][1G]
- 群星《一首歌一个故事》赵英俊某些作品重唱企划[FLAC分轨][1G]
- 群星《网易云英文歌曲播放量TOP100》[MP3][1G]
- 方大同.2024-梦想家TheDreamer【赋音乐】【FLAC分轨】
- 李慧珍.2007-爱死了【华谊兄弟】【WAV+CUE】
- 王大文.2019-国际太空站【环球】【FLAC分轨】
- 群星《2022超好听的十倍音质网络歌曲(163)》U盘音乐[WAV分轨][1.1G]
- 童丽《啼笑姻缘》头版限量编号24K金碟[低速原抓WAV+CUE][1.1G]