• 91家纺网,修改数据库连接测试之后的初定版本


    """
    抓取
    解析
    存储
    """
    import re
    #import ast
    from urllib import parse
    from datetime import datetime

    import random 
    import requests
    import time
    from scrapy import Selector

    from models import *

    store_list_urls = []
    product_list_urls = []

    domain = "http://www.91jf.com/"
    store_domain = "http://www.91jf.com/default.php?act=corp&sort=list&page="

    #阿布云代理ip,此处后期改成ip池获取
    def get_html_0(url):
        # 代理服务器
        print("开始下载url : {}".format(url))
        proxies = {
            "http:" :"http://117.95.199.208:9999",
            "https" :"https://117.95.199.208:9999"        
        }
        from fake_useragent import UserAgent
        ua = UserAgent()
        print(ua.random)
        headers = {
            "User-Agent": ua.random
        }
        r = requests.get('http://icanhazip.com/',proxies=proxies)
        print(r.text)
        resp = requests.get(url, proxies=proxies, headers=headers)
        return resp

    '''
    def get_html(url):
        # 代理服务器
        print("开始下载url : {}".format(url))
        proxyHost = "http-dyn.abuyun.com"
        proxyPort = "9020"

        # 代理隧道验证信息
        proxyUser = "H58G6G30137G865D"
        proxyPass = "043F1F63DA9899C8"

        proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
            "host": proxyHost,
            "port": proxyPort,
            "user": proxyUser,
            "pass": proxyPass,
        }

        proxies = {
            "http": proxyMeta,
            "https": proxyMeta,
        }
        from fake_useragent import UserAgent
        ua = UserAgent()
        print(ua.random)
        headers = {
            "User-Agent": ua.random
        }

        resp = requests.get(url, proxies=proxies, headers=headers)
        resp = resp.content.decode("utf-8")
        return resp
    '''

    def get_nodes_json():
        left_menu_text = requests.get("http://www.91jf.com/").text
        #etree.HTML(res0.text)
        sel = Selector(text=left_menu_text)
        all_divs = sel.xpath("//div[@class='class_child_li']//a[@href]").extract()
        if all_divs:
            nodes_lists = []
            for i in range(len(all_divs)):
                nodes_str = all_divs[i]
                nodes_str = nodes_str.replace("&","&") # 此处&由于被转义成&导致需要重新进行处理
                nodes_lists.append(nodes_str)
            return nodes_lists
        return []

    # 获取一级目录数据,保存商品系列ID,用来拼接爬虫入口的url
    def process_nodes_list(url):
        menu_text = get_html_0(url).content.decode('utf-8')
        #menu_text = requests.get(url).text
        sel = Selector(text=menu_text)
        nodes_list = sel.xpath("//div[@class='index_g_class']/ul/li")
        for item in nodes_list:
            title = item.xpath("./div[@class='class_menu']/span/text()").extract()
            title = ''.join(title)
            #主目录的名称
            catalogue_name = title
            catalogue = Catalogue()
            catalogue.catalogue_name = catalogue_name # 系列名称
            #catalogue.series_level = 0 # 系列等级
            #catalogue.category_id = 0 # 系列catalogue_id
            existed_id = Catalogue.select().where(Catalogue.catalogue_name==catalogue_name)
            if existed_id:
                # catalogue.save()
                pass  
            else:
                catalogue.save(force_insert=True)  

            _id = Catalogue.get(Catalogue.catalogue_name==title)._id # 此处获取父节点的id

            #time.sleep(random.randint(0,2))
            series_names = item.xpath('.//div[@class="class_child_li"]//li')
            for series_name in series_names:
                
                catalogue_0 = Catalogue()
                catalogue_0.catalogue_name = title # 系列名称
                catalogue_0.series_level = 0 # 系列等级

                series_name_0 =  series_name.xpath('.//span/text()').extract()
                series_name_0 = ''.join(series_name_0)
                
                category_id = series_name.xpath(".//a[@href]").extract()
                category_id = ''.join(category_id)
                category_id = re.search('d.?d',category_id).group()
                
                catalogue_0.category_id = category_id # 次级产品系列ID
                catalogue_0.catalogue_name = series_name_0 # 次级产品系列的名称
                catalogue_0.catalogue_level = 2 # 次级产品系列的等级
                catalogue_0.father_id = _id # 父节点的ID
                
                existed_id = Catalogue.select().where(Catalogue.catalogue_name==series_name_0)
                if existed_id:
                    pass
                    #catalogue_0.save()
                else:
                    catalogue_0.save(force_insert=True)  

    def get_level1_list(nodes_list):
        level1_url = []
        #将js的格式提取出url到list中
        for item in nodes_list:
            #此处为对应的url数据
            url = re.search('".*d"', item)
            url = url.group(0).replace(""", "")
            url1 = parse.urljoin(domain,url + "&okey=salenum&order=desc&page=1")
            level1_url.append(url1)
        return level1_url

    def get_last_urls():
        #获取最终需要抓取的url
        url_list = []
        #nodes_list = get_nodes_json()
        process_nodes_list(domain)
        #catalogue = Catalogue()
        #id_data = Catalogue.select().where(Catalogue.catalogue_level==2)
        #id_data = Catalogue.get(Catalogue.series_level_0==1).category_id
        '''
        for item in id_data:
            print(item.category_id)
        '''
        '''
        level1_url = get_level1_list(nodes_list) # 所有系列商品对应的第一页url
        for url in level1_url:
            #print(url)
            parse_product(url)
            url_list,store_id_list = parse_data_last(url)
            #url_list.extend(parse_data_last(url))
        '''
        return url_list

    def parse_product(url):
        #获取商品的详情以及销售数量
        res_text = requests.get(url).text 
        print(url)
        #print(res_text)
        sel = Selector(text=res_text)
        res_li = sel.xpath("//div[@class='pro_list_div g-clearfix c']/ul//li[@class='goods_offset']")
        flag_num = 0
        for item in res_li:
            product_id = item.xpath('./div[contains(@class,"pro_pic_box")]/a[@href]').extract() # 产品ID
            product_id = re.search('id=.*d"',''.join(product_id))
            product_id = product_id.group().replace("id=","")
            product_id = product_id.replace(""","")
            product_id = int(product_id)

            name = item.xpath("./div[@class='row row-2 title']/a/text()").extract() # 产品名字
            name = ''.join(name)
            price = item.xpath('./div[@id="goods_detail_b"]/div[@class="row row-1"]/div[@class="g_price fm2"]/strong/text()').extract() # 显示价格
            price = ''.join(price)
            try:
                price = float(price)
            except:
                print("价格会员可见|价格请咨询商家")
                continue
            sales_num = item.xpath("./div[@id='goods_detail_b']/div[2]/p[1]/text()").extract()  # 销售数量
            sales_num= ''.join(sales_num)
            sales_num = sales_num.split('销量:')[1]
            sales_num = int(sales_num)
            flag_num = sales_num
            if sales_num < 1:
                continue
            
            store_id = item.xpath("./div[@class='row row-3 c']/a[@href]").extract()
            store_id = re.search('id=.*d"',''.join(store_id))
            store_id = store_id.group().replace("id=","")
            store_id = store_id.replace(""","")
            store_id = int(store_id)

            merchant = item.xpath("./div[@id='goods_detail_b']/div[2]/p[2]/text()").extract() # 商家
            merchant = ''.join(merchant)

            main_Products = item.xpath("./div[@id='goods_detail_b']/div[2]/p[3]/text()").extract() # 主营
            main_Products = ''.join(main_Products)

            merchant_Place = item.xpath("./div[@id='goods_detail_b']/div[2]/p[4]/text()").extract() # 地址
            merchant_Place = ''.join(merchant_Place)
        
            product = Product()
            product.product_id = product_id
            product.name = name
            product.price = price
            product.sales_num = sales_num
            product.store_id = store_id
            product.merchant = merchant
            product.main_Products = main_Products
            product.merchant_Place = merchant_Place
            
            existed_name = Product.select().where(Product.product_id==product_id)
            if existed_name:
                product.save()
            else:
                product.save(force_insert=True)
            
        next_page = sel.xpath("//*[@class='pagination2']/a[@href]").extract()
        if len(next_page) > 2 and flag_num > 0:
            url_next = re.search('".*d"',next_page[-1])
            url_next = url_next.group().replace("&amp;","&") # 此处&由于被转义成&amp;导致需要重新进行处理
            url_next = url_next.replace(""","")
            url_next = parse.urljoin(domain,url_next)
            #print(url_next)
            parse_product(url_next)
        else:
            pass

    #获取商品链接,上一级url为商品详情页
    def parse_data_last(url):
        url_list = []
        store_id_list = []
        flag_num = 0
        #获取商品的详情标签
        res_text = requests.get(url).text
        sel = Selector(text=res_text)
        res_li = sel.xpath("//div[@class='pro_list_div g-clearfix c']/ul//li[@class='goods_offset']")
        for item in res_li:
            sales_num = item.xpath("./div[@id='goods_detail_b']/div[2]/p[1]/text()").extract() # 销售数量
            sales_num= ''.join(sales_num)
            sales_num = sales_num.split('销量:')[1]
            sales_num = int(sales_num)
            flag_num = int(sales_num)

            data = item.xpath("./div[@class='pro_pic_box']/a").extract()
            data = re.search('".*d"',data[0])
            data = data.group().replace("&amp;","&")
            data = data.replace(""","")
            data_url = parse.urljoin(domain,data) # 链接为销量排序之后的单个商品链接,传出链接
            print("开始获取商品:{}".format(data_url))
            store_id = parse_store_data(data_url)
            store_id_list.append(store_id)
            parse_product_data(data_url)
            url_list.append(data_url)

        #此处代码用来切到下一页链接数据,商品的详情排布页
        next_page = sel.xpath("//*[@class='pagination2']/a[@href]").extract()
        if len(next_page) > 2 and flag_num > 0:
            url_next = re.search('".*d"',next_page[-1])
            url_next = url_next.group().replace("&amp;","&") # 此处&由于被转义成&amp;导致需要重新进行处理
            url_next = url_next.replace(""","") 
            url_next = parse.urljoin(domain,url_next)
            parse_data_last(url_next)  

        return url_list ,store_id_list

    #获取商品详细数据
    def parse_product_data(url):
        #获取商品的详情以及销售数量
        #print(url) # 打印当前商品页的url用来定位
        product_id = url.split('id=')[1] # 对商品id进行切片处理,用来获取ajax数据
        res_text = requests.get(url).text
        sel = Selector(text=res_text)
        #筛选规则,当is_price之后的value属性值为0的时候,说明不需要咨询商家,同时需要注意的是,商品会有打折批次数量的差异导致价格差异,
        #这一点需要根据具体的显示页面来处理,现在忽略,由于可能存在打折段的数据差异,所以暂时不考虑
        Is_price = sel.xpath("//input[contains(@id,'is_price')]").extract()#取到的数据用来判断价格是否需要咨询商家
        print(Is_price)
        if len(Is_price) < 1:
            print("页面数据为空")
        else:    
            is_value = re.search('d',Is_price[0])
            if is_value.group() == '0': # 0表示商品价格不需要咨询商户
                #datas = sel.xpath("//table[contains(@class,'goods_spec_list')]").extract()
                datas = sel.xpath("//div[contains(@class,'show_all')]/table[contains(@class,'goods_spec_list')]//tr")
                #price_base
                price_base = 0.0
                for item in range(len(datas)):
                    price = datas[item].xpath("./input[3]").extract()
                    price = re.search('value=".*"',price[0])
                    price = re.search('d.*d',price[0])
                    price = price.group()
                    price_base = price_base + float(price)
                price_base = price_base / len(datas) # 商品基准价格计算
                #此处获取商品的描述信息
                attributes_list = sel.xpath("//span[contains(@class,'attributes-list')]//li/text()").extract()
                str_attributes = ' '.join(attributes_list)
                str_attributes = str_attributes.replace("&nbsp;"," ") # 商品信息描述
                #此处发送请求获取商品购买数据
                url_sales = parse.urljoin(domain,'default.php?act=evallist')
                data = {
                    'id': product_id,
                    'page': '0',
                    'info_type': 'sale'
                }
                response = requests.post(url_sales, data=data)
                buyer_num = response.json().get("member") # 购买人数
                sale_num = response.json().get('num') # 销售数量
                buyer_rate = response.json().get('re_buyer_rate') # 商品复购率
                product_id = int(product_id) # 此处对商品ID进行转换

                product_attributes = Product_attributes()
                product_attributes.product_id = product_id
                product_attributes.price_base = price_base
                product_attributes.attributes = str_attributes
                product_attributes.buyer_num = buyer_num
                product_attributes.sale_num = sale_num
                product_attributes.buyer_rate = buyer_rate
                
                existed_id = Product_attributes.select().where(Product_attributes.product_id==product_id)
                if existed_id:
                    product_attributes.save()
                else:
                    product_attributes.save(force_insert=True)
                    
            else :
                price = "价格请咨询商家"

    #获取商户详细数据,处理逻辑为根据单个商品目录来获取对应的商户id
    def parse_store_data(url):
        #print(url) # 打印当前商品页的url用来定位
        res_text = requests.get(url).text
        sel = Selector(text=res_text)
        store_id = 0
        #筛选规则,当is_price之后的value属性值为0的时候,说明不需要咨询商家,同时需要注意的是,商品会有打折批次数量的差异导致价格差异,
        #这一点需要根据具体的显示页面来处理,现在忽略,由于可能存在打折段的数据差异,所以暂时不考虑
        Is_price = sel.xpath("//input[contains(@id,'is_price')]").extract()#取到的数据用来判断价格是否需要咨询商家
        #print(Is_price)
        if len(Is_price) < 1:
            print("页面数据为空")
        else:    
            is_value = re.search('d',Is_price[0])
            if is_value.group() == '0': # 0表示商品价格不需要咨询商户
                #datas = sel.xpath("//table[contains(@class,'goods_spec_list')]").extract()
                #store_name = sel.xpath('//span[contains(@class,"container_title_span")]/a[@href]/text()').extract()
                #store_name = ''.join(store_name) # 商户的名字

                store_id = sel.xpath('//span[@class="container_title_span"]/a[@href]').extract()
                store_id = ''.join(store_id)
                store_id = re.search('storeid=d*"',store_id)
                store_id = store_id.group()
                store_id = store_id.split('storeid=')[1]
                store_id = store_id.replace(""","")
                #print(store_id)
                store_id = int(store_id) # 商户的id
                '''
                store_data = sel.xpath('//ul[contains(@class,"gy_info_list")]/li/text()').extract()
                if len(store_data) > 3:
                    store_level = store_data[2] # 商户等级
                    store_level = store_level.replace(" ","")
                    store_level = store_level.replace(" ","")
                    store_place = store_data[3] # 商户地址
                    store_place = store_place.replace(" ","")
                print(store_level)
                print(store_place)
                '''
            else :
                pass
        return store_id

    #获取所有商户id
    def parse_store_id(url):
        print(url) # 打印当前商户详情页的url用来定位
        store_id_list = []
        res_text = requests.get(url).text
        sel = Selector(text=res_text)
        res_li = sel.xpath("//div[contains(@class ,'corp_list')]//div[@class='supply-list']")
        for item in res_li:
            store_id = item.xpath(".//a[contains(@class,'supply-left-tltle')]").extract()
            store_id = ''.join(store_id)
            store_id = re.search('storeid=d*"',store_id)
            store_id = store_id.group()
            store_id = store_id.split('storeid=')[1]
            store_id = store_id.replace(""","")
            store_id = int(store_id) # 获取店铺id
            store_id_list.append(store_id)
        
        #此处代码用来切到下一页链接数据,商户的详情排布页
        next_page = sel.xpath("//*[@class='pagination2']/a[@href][last()]/text()").extract()
        next_page = ''.join(next_page)
        try:
            next_page = int(next_page)
        except:
            url_next = sel.xpath("//*[@class='pagination2']/a[@href][last()]").extract()
            url_next = ''.join(url_next)
            url_next = re.search('".*d"',url_next)
            url_next = url_next.group().replace("&amp;","&") # 此处&由于被转义成&amp;导致需要重新进行处理
            url_next = url_next.replace(""","") 
            url_next = parse.urljoin(domain,url_next)
            parse_store_id(url_next)      
        return store_id_list 

    def get_last_store_id():
        #获取最终需要抓取的店铺id,传回拼接之后的url
        store_id_list = parse_store_id(store_domain)
        pass

    if __name__ == "__main__":
        start_time = datetime.now()
        last_urls = get_last_urls()
        end_time = datetime.now()
        '''
        for url in last_urls:
            #parse_product_data(url)
            #print("开始获取商品:{}".format(url))
        '''
       
  • 相关阅读:
    Linux文件及目录查找
    英语单词independent
    英语单词omitting
    英语单词deploy
    英语单词debug
    线程
    进程
    操作系统历史
    分布式爬虫
    爬虫基础
  • 原文地址:https://www.cnblogs.com/dog-and-cat/p/13278832.html
Copyright © 2020-2023  润新知