58同城python_Python实战计划爬虫作业第一周作业:爬58同城

作业要求：

作业要求1.1

作业要求2

作业要求更改说明：由于58同城页面改版，二手商品的个人卖家均改为了“转转”，因此，本次爬虫作业，无法屏蔽转转卖家，而是直接从转转卖家的页面爬取信息。

我的代码

from bs4 import BeautifulSoup

import requests

import time

import os

'''

本作业是完成爬取http://bj.58/shouji上的商品信息,最后将商品信息存在本地的.txt文件中

每个商品的共有一下属性:

root : 商品路径

title : 商品标题

price : 商品当前价格

view : 商品的访问次数

image : 商品封面图片

area : 商品所属地

qual_label : 商品的质量标签

'''

def get_search_url(pageNum, who_sells, type = 'shouji'):

'''

用来生成一个搜索页的URL

:param pageNum: 访问的页码

:param who_sells: 个人卖家以及商家卖家

:param type: 商品类型

:return: URL的字符串

'''

url = 'http://bj.58/{}/{}/{}'\

.format(type, str(who_sells), 'pn'+str(pageNum))

return url

def get_links(url, headers):

'''

用来得到当前搜索页的所有商品链接

:param url: 当前搜索页的URL

:param headers: 本机的headers

:return: 一个list: 如果当前搜索页访问的状态码!=200,返回一个空list

如果当前搜索页访问状态码== 200,返回由当前页所有商品的URL组成的list

'''

webSite = requests.get(url, headers)

urls = []

if webSite.status_code != 200 :

print('status_code : ', str(webSite.status_code),'\n', url, 'cannot open')

return urls

soup = BeautifulSoup(webSite.text, 'lxml')

links = soup.select('td.t > a.t')

for link in links:

urls.append(link.get('href'))

return urls

def get_sinlge_info(url, headers):

'''

用来得到一个商品的信息

:param url: 商品页的URL

:param headers: 本机访问的headers

:return: 一个dictionary : 如果商品页访问状态码 != 200, 返回空dictionary

如果状态码 == 200, 返回包含商品信息的dictionary

'''

webSite = requests.get(url, headers=headers)

single_info = {}

if webSite.status_code != 200:

#这里可以设置打印出错误的状态码,便于调bug

return single_info # 如果状态码不是200,访问网页会有一定问题,则跳入下一次循环

soup = BeautifulSoup(webSite.text, 'lxml')

root = soup.select('div.breadCrumb')

title = soup.select('div.box_left_top > h1')

price = soup.select('span.price_now > i')

view = soup.select('span.look_time')

image = soup.select('div.g_img > span > img')

area = soup.select('div.palce_li > span > i')

qual_label = soup.select('div.quality > span > span.qual_label')

single_info = {

'root' : list(root[0].stripped_strings), # 商品路径

'title': title[0].get_text(), # 商品标题

'view' : int(view[0].get_text()[:-3]), # 访问次数

'price': float(price[0].get_text()), # 价格

'image': image[0].get('rel'), # 商品封面图片

'area' : area[0].get_text(), # 商品区域

'qual_label': [label.get_text() for label in qual_label] # 商品质量标签

}

return single_info

def get_info_from(pageNum = 1, who_sells = 0, type = 'shouji'):

'''

从 pageNum 中获取 who_sells 销售的 type 类型商品信息

:param pageNum: 搜索页的页码(默认为第1页)

:param who_sells: 销售的用户类型(默认为个人卖家)

:param type: 商品类型(默认为手机)

:return: 一个list, 每个元素为一个商品信息组成的dictionary

'''

headers = {

'User-Agent' : 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36',

'Cookie' : 'bj58_id58s="Rm9Ca1lhQU1Fd0ZROTA1NA=="; id58=c5/njVeK25sP1F/iJ71uAg==; als=0; myfeet_tooltip=end; bangbigtip2=1; ipcity=km%7C%u6606%u660E%7C0; sessionid=812ecc7d-5679-4b81-b3c5-bc6c57997b68; final_history=26097540789057%2C26727826953024%2C26697721819855%2C26062681492781; city=bj; 58home=bj; bj58_new_session=0; bj58_init_refer=""; bj58_new_uv=4; 58tj_uuid=6530a941-1013-4a74-b2a4-9f9781f6f4ca; new_session=0; new_uv=4; utm_source=; spm=; init_refer='

}

search_url = get_search_url(pageNum, who_sells, type) #获取搜索页的URL

links = get_links(search_url, headers = headers)

info = []

for link in links:

# time.sleep(2) #每访问一个网页暂停一秒

try:

single_info = get_sinlge_info(url = link, headers = headers)

except requests.exceptions.ConnectionError as e:

print(e.__traceback__)

time.sleep(10)

if len(single_info) == 0: #如果网页的response的状态码不是200,则get_sinlge_info返回空的dict

continue

info.append(single_info)

return info

def write_info(info, filename):

'''

将商品信息写入本地的filename中,为了降低I/O开销,因此每访问完一个搜索页所有的商品信息后再写入一次

:param filename: 本地的filename的绝对路径

:param info: 多个商品信息组成的list

:return: void

'''

with open(filename,'a') as file:

for single_info in info:

file.write(str(single_info))

file.write('\n')

print('又完成了一页')

def main():

filename = '/Users/xyh/Documents/python/python3/Week1/Week1_Homework/product.txt'

for pageNum in range(1,11):

info = get_info_from(pageNum = pageNum, who_sells=0, type='shouji')

write_info(info, filename)

if __name__ == '__main__':

main()

代码写得有扩展性：

get_info_from()函数设计得可以传入，页码，卖家类别，以及商品类别，使得该函数不只适合本次作业，可以适合58同城的其他商品爬取

总结

由于58同城页面的改版，浏览次数并不需要像作业详解中的从JS文件中获取，而是直接从html页面中获取，因此浏览次数并不复杂

封面图片的链接，这次并不在标签内的“src”属性中，而是在“rel”属性中

问题：怎样使得程序更健壮？

希望如果网页如果不是正常打开时，有更完备的解决方案。因为在58同城中，如果商品搜不到，返回的是58自己设计的404页面，从浏览器看，这个页面的状态码也是200。

希望可以设置一个功能，当10s内网页没有解析出来，就打印出相关信息，并跳到下一页。但是不知道怎么做。

希望能够有老师能够提供一些关于爬虫问题的异常处理的方案，或者教程，让程序变得更健壮。