写点什么

老友 (研发岗) 被裁后,想加盟小吃店,我用 Python 采集了一点数据,多少是个心意

发布于: 3 小时前

朋友公司不景气,被裁员了,为了安慰他,我让擦哥爬取了一些小吃加盟项目。

阅读本篇博客你将收获

  • Python 技术的提升;

  • requests 库和 lxml 库的熟悉度增加;

  • 小吃加盟数据,没准用得上。

3158 网加盟小吃数据抓取

目标数据源分析

本次的目标数据源为 3158 加盟网,没写文章前,橡皮擦就没想到还真有专门宣传加盟的网站!


目标数据源地址如下:


https://www.3158.cn/xiangmu/canyin/
复制代码



本篇博客将要涉及的知识点


  1. requests 抓取网页数据;

  2. xpath 熟悉度练习,lxml 格式化提取

  3. csv 文件存储,3 行代码版


数据来源分析


目标数据分页格式如下,简单的规则,并且总页数可直接在网页看到,省去了判断数据是否爬取完毕的逻辑。


https://www.3158.cn/xiangmu/canyin/?pt=all&page=1https://www.3158.cn/xiangmu/canyin/?pt=all&page=2https://www.3158.cn/xiangmu/canyin/?pt=all&page=3
https://www.3158.cn/xiangmu/canyin/?pt=all&page=n
复制代码


静态网页直接使用 requests 抓取即可,本案例的重点依旧在 lxml 提取,为了防止爬取过程中断,可以先将网页数据批量存储到本地。


抓取代码如下


import requestsfrom lxml import etreeimport timeimport reimport random
USER_AGENTS = [ "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "其它 UserAgent 自己选择"]

def run(url, index): try: headers = {"User-Agent": random.choice(USER_AGENTS)} res = requests.get(url=url, headers=headers) res.encoding = "utf-8" html = res.text with open(f"./html/{index}.html", "w+", encoding="utf-8") as f: f.write(html) except Exception as e: print(e)

if __name__ == '__main__':
for i in range(1, 130): print(f"正在爬取第{i}页数据") run(f"https://www.3158.cn/xiangmu/canyin/?pt=all&page={i}", i)
print("全部爬取完毕")
复制代码


运行上述代码前,需要在代码目录创建 html 文件夹,用于存储静态网页,最终该文件夹下形成下图内容,表示页面抓取完毕。


数据提取时间

本次提取依旧使用 lxml 库,更多内容可在官方站点持续学习,地址为 https://lxml.de/tutorial.html


在上一步骤中,已经将网页保存到本地,后续围绕这 129 个 HTML 文件处理即可。


打开上图中任意 HTML 页面,出现如下效果,对数据对比之后发现,页面布局存在下图所示的差异。


数据提取完毕,才发现,其实可以忽略这个差异。



基于上图对数据规则进行设置,目标数据包含:


  • 加盟店名称

  • 投资金额

  • 所在地

  • 行业

  • 标签(如数据存在)

  • 详情页地址


为了后续爬取方面,将详情页地址也进行提取,以上内容就是目标数据最终的格式。


在数据源存在差异的情况下,直接检查 HTML 源代码,寻找页面出现差异性的原因。


li 标签存在差异化,对其进行特殊处理即可。



提取代码如下所示,相关说明已经添加在注释


import requestsfrom lxml import etreeimport timeimport reimport random
# 列表转换为字符串def list_str(my_list): return ",".join(my_list)

def get_data(): for i in range(1, 130): with open(f"./html/{i}.html", "r", encoding="utf-8") as f: html = f.read() element = etree.HTML(html) # contains 函数 获取包含 xxx 的元素,类似的还有 starts-with,ends-with,last origin_li = element.xpath("//ul[contains(@class,'xm-list')]/li") # 循环抓取 li 内部数据 for item in origin_li:
# 提取加盟名称 # title = item.xpath(".//div[@class='r']/h4/text()")[0] title = item.xpath("./div[@class='top']/a/@title")[0] # 提取超链接 detail_link = "http://" + item.xpath("./div[@class='top']/a/@href")[0]
# 提取特殊标签 special_tag = list_str(item.xpath("./@class")) # 当包含特殊标签 xm-list2 时,使用不同的提取规则
if special_tag != "xm-list2": # 提取标签 tags = list_str(item.xpath(".//div[@class='bot']/span[@class='label']/text()")) # 提取投资价格 price = list_str(item.xpath(".//div[@class='bot']/span[@class='money']/b/text()")) # 地址和行业 city_industry = list_str(item.xpath("./div[@class='bot']/p/span/text()"))
long_str = f"{title},{detail_link}, {tags}, {price}, {city_industry}" save(long_str) else: # 地址和行业 city_industry = list_str(item.xpath( "./div[@class='top']/a/div/p[2]/span/text()")) long_str = f"{title},{detail_link}, {0}, {0}, {city_industry}" save(long_str)

def save(long_str): try: with open(f"./jiameng.csv", "a+", encoding="utf-8") as f: f.write("\n"+long_str) except Exception as e: print(e)

if __name__ == '__main__':
# for i in range(1, 130): # print(f"正在爬取第{i}页数据") # run(f"https://www.3158.cn/xiangmu/canyin/?pt=all&page={i}", i)
get_data()
print("全部提取完毕")
复制代码


上述代码首先通过 element.xpath("//ul[contains(@class,'xm-list')]/li") 提取 HTML 中的 li 标签,然后遍历提取的 li 数据,进行内部提取。


提取过程中,发现 titledetail_link,即标题与详情页的提取代码一致,其它数据通过判断 li 标签的 class 否含有 xm-list2 进行判断,整体代码如上所示。


在使用 lxml 的过程中,最常用的为路径表达式,即 // 从根目录提取, .// 从当前节点的根目录提取,./ 从当前节点提取。


代码中还用到了 contains 函数,在本案例中该函数用于判断属性值中是否包含某个字符串,例如上文代码中提取 ul 标签,正是此函数的应用,在提取所有 li的过程中,需要提前匹配 ul,该标签在 HTML 中属性如下所示,使用 contains 可以进行部分匹配。



在代码后半部分,存在一个 XPath 匹配规则 city_industry = list_str(item.xpath("./div[@class='top']/a/div/p[2]/span/text()")) ,注意其中出现的 p[2] ,该代码表示选取第二个 p 标签。

今天的抓取结果展示


爬取资源仅供学习使用,侵权删。

评论时间

来都来了,评论区不发了评论吗?


发布于: 3 小时前阅读数: 4
用户头像

爬虫 100 例作者,蓝桥签约作者,博客专家 2021.02.06 加入

6 年产品经理+教学经验,3 年互联网项目管理经验; 互联网资深爱好者; 沉迷各种技术无法自拔,导致年龄被困在 25 岁; CSDN 爬虫 100 例作者。 个人公众号“梦想橡皮擦”。

评论

发布
暂无评论
老友(研发岗)被裁后,想加盟小吃店,我用Python采集了一点数据,多少是个心意