Python爬虫120例之第20例，1637、一路商机网全站加盟数据采集（python爬虫京东在线抢购）

Python爬虫120例之第20例，1637、一路商机网全站加盟数据采集（python爬虫京东在线抢购）

接下来的一些案例，将围绕销售用基础数据采集，行业将选择美妆行业，请知晓。

本案例将采用 lxml 与 cssselect 相结合的方式进行采集，重点在 cssselect 选择器。

目标站点分析

本次要抓取的目标为 不限，此时可获取全部分类，基于此，我们先将全部数据抓取到本地，然后在筛选出美容/美妆行业相关加盟数据即可。

本次要抓取的数据量与页数如下图所示。

使用到的技术点

请求数据使用 requests，数据提取使用 lxml + cssselect 实现，使用 cssselect 之前，通过 pip install cssselect 安装对应库即可。

安装完毕，在代码中有两种使用方式，其一采用 CSSSelector class，具体如下：

from lxml.cssselect import CSSSelector # 与正则表达式的使用方式有点相似，先构造一个CSS选择器对象 sel = CSSSelector('#div_total>em', translator="html") # 然后将 Element 对象传入 element = sel(etree.HTML(res.text)) print(element[0].text)

上述用法适合提前构建好选择器，更便于扩展，如果不使用该方式，可以直接使用 cssselect method 进行实现，即下述代码：

# 通过 cssselect 选择器，选择 em 标签 div_total = element.cssselect('#div_total>em')

不管使用上述两种方式中的哪一种，括号中的内容 #div_total>em 才是我们学习的重点，该写法是 CSS 选择器 的一种写法，如果你比较了解前端知识，很容易就可以掌握，如果不了解也没有问题，先记住如下内容。

CSS 选择器假设存在如下一段 HTML 代码：

其中 class，id 都为 HTML 标签的属性值，一般 class 在网页中可以存在多个，而 id 只能存在一个。

如果希望获取 div 标签，使用 css 选择器，使用 #div_total 或者 .totalnum 都可以实现，重点注意如果依据 id 获取，那前面的符号为 #，如果依赖 class 获取，那前面的符号为 . 有的时候还会存在其它属性，在 css选择器 中，可以这样编写，修改 HTML 代码如下所示。

编写如下测试代码，注意 CSSSelector 部分的 css选择器 写法，即 div[custom="abc"] em。

sel = CSSSelector('div[custom="abc"] em', translator="html") element = sel(etree.HTML('

上述 css选择器 还应用到了一个知识点，叫做后代选择器，例如 #div_total>em，其中 #div_total 与 em 之间，存在一个 > 符号，该符号表示选择 id=div_total 的直接子元素 em，如果去除中间的 >，修改为 #div_total>em，表示选择 id=div_total 所有后代元素（子孙辈元素）中的 em 元素。

以上内容进行了简单掌握之后，你就可以简单编写自己的 cssselect 代码了。

编码时间

本案例采用的抓取方式为，先抓取 HTML 页面到本地，在针对本地文件进行解析，故采集代码比较简单，只需要动态获取一下总页码数即可。下述代码重点注意 get_pagesize 函数内部逻辑。

import requests from lxml.html import etree import random import time class SSS: def __init__(self): self.start_url = 'http://xiangmu.1637.com/p1.html' self.url_format = 'http://xiangmu.1637.com/p{}.html' self.session = requests.Session() self.headers = self.get_headers() def get_headers(self): # 可从先前博客获取该函数 uas = [ "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://baidu.com/search/spider.html)" ] ua = random.choice(uas) headers = { "user-agent": ua, "referer": "https://baidu.com" } return headers def get_pagesize(self): with self.session.get(url=self.start_url, headers=self.headers, timeout=5) as res: if res.text: element = etree.HTML(res.text) # 通过 cssselect 选择器，选择 em 标签 div_total = element.cssselect('#div_total>em') # 获取 em 标签内部文本 div_total[0].text，并将其转换为整数 total = int(div_total[0].text) # 获取页码 pagesize = int(total / 10) + 1 # print(pagesize) # 总数恰好被10整数，不用额外增加一页数据 if total % 10 == 0: pagesize = int(total / 10) return pagesize else: return None def get_detail(self, page): with self.session.get(url=self.url_format.format(page), headers=self.headers, timeout=5) as res: if res.text: with open(f"./加盟1/{page}.html", "w+", encoding="utf-8") as f: f.write(res.text) else: # 如果无数据，重新请求 print(f"页码{page}请求异常，重新请求") self.get_detail(page) def run(self): pagesize = self.get_pagesize() # 测试数据，可临时修改 pagesize = 20 for page in range(1, pagesize): self.get_detail(page) time.sleep(2) print(f"页码{page}抓取完毕！") if __name__ == '__main__': s = SSS() s.run()

经过测试，如果不增加时间限制，很容易被限制 IP，即无法获取到数据，通过添加代理可以解决，如果只对数据感兴趣，可以直接在 下载地址 下载 HTML 包数据，解压密码为 cajie。

二次提取数据

当静态 HTML 全部爬取到本地之后，提取页面数据，就变得简单了，毕竟不需要再解决反爬问题。

此时用到的核心技术点就是读取文件，在通过 cssselect 提取固定数据值。

通过开发者工具，查询数据所在标签节点如下，针对 class='xminfo' 的内容进行提取即可。

# 数据提取类 class Analysis: def __init__(self): pass # 去除特殊字符 def remove_character(self, origin_str): if origin_str is None: return origin_str = origin_str.replace('\n', '') origin_str = origin_str.replace(',', '，') return origin_str def format(self, text): html = etree.HTML(text) # 获取所有项目区域 div div_xminfos = html.cssselect('div.xminfo') for xm in div_xminfos: adtexts = self.remove_character(xm.cssselect('a.adtxt')[0].text) # 获取广告词列表 url = xm.cssselect('a.adtxt')[0].attrib.get('href') # 获取详情页地址 brands = xm.cssselect(':nth-child(2)>:nth-child(2)')[1].text # 获取品牌列表 categorys = xm.cssselect(':nth-child(2)>:nth-child(3)>a')[0].text # 获取分类，例如 ["餐饮","小吃"] types = '' try: # 此处可能不存在二级分类 types = xm.cssselect(':nth-child(2)>:nth-child(3)>a')[1].text # 获取分类，例如 ["餐饮","小吃"] except Exception as e: pass creation = xm.cssselect(':nth-child(2)>:nth-child(6)')[0].text # 品牌建立时间列表 franchise = xm.cssselect(':nth-child(2)>:nth-child(9)')[0].text # 加盟店数量列表 company = xm.cssselect(':nth-child(3)>span>a')[0].text # 公司名称列表 introduce = self.remove_character(xm.cssselect(':nth-child(4)>span')[0].text) # 品牌介绍 pros = self.remove_character(xm.cssselect(':nth-child(5)>:nth-child(2)')[0].text) # 经营产品介绍 investment = xm.cssselect(':nth-child(5)>:nth-child(4)>em')[0].text # 投资金额 # 拼接字符串 long_str = f"{adtexts},{categorys},{types},{brands},{creation},{franchise},{company},{introduce},{pros},{investment},{url}" with open("./加盟数据.csv", "a+", encoding="utf-8") as f: f.write(long_str + "\n") def run(self): for i in range(1, 5704): with open(f"./加盟/{i}.html", "r", encoding="utf-8") as f: text = f.read() self.format(text) if __name__ == '__main__': # 采集数据，运行哪部分，去除注释即可 # s = SSS() # s.run() # 提取数据 a = Analysis() a.run()

上述代码在提取 HTML 标签时，反复用到了 :nth-child(2)，该选择器是:匹配属于其父元素的第 N 个子元素，不论元素的类型，所以你只需要准确的找到元素位置即可。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。