51CTO学院IT技术课程抓取

写在前面

从今天开始的几篇文章，我将就国内目前比较主流的一些在线学习平台数据进行抓取，如果时间充足的情况下，会对他们进行一些简单的分析，好了，平台大概有51CTO学院，CSDN学院，网易云课堂，慕课网等平台，数据统一抓取到mongodb里面，如果对上述平台造成了困扰，请见谅，毕竟我就抓取那么一小会的时间，不会对服务器有任何影响的。

1. 目标网站

今天的目标网站是 http://edu.51cto.com/courselist/index.html?edunav 数据量大概在1W+，还不错
 

2. 分析页面需要的信息

下图标注的框框，就是我们需要的信息了
 

如果查看源码，我们还能得到其他有价值的隐藏信息，也同时的抓取到，另外，今天的主题不是下载图片，所以针对课程缩略图，我只保留一个图片链接到mongodb里面，就不做单独的处理了。

在开发者工具中，继续检索有用信息。发现一个独家 这个信息看似有用唉，可以做保留。

  

3. 分析爬取方式

分析完毕就是要爬取操作了，看一下这个网站是否是ajax动态加载的，如果不是，那么就采用最笨的办法爬取。
查阅网站源代码之后，发现没有异步数据。
采用URL拼接的方式爬取即可。

URL规律如下，因为数据相对变化不大，末尾的页码是417，所以URL直接生成就可以了。

https://edu.51cto.com/courselist/index-p2.html

https://edu.51cto.com/courselist/index-p3.html
https://edu.51cto.com/courselist/index-p4.html
https://edu.51cto.com/courselist/index-p5.html
...
http://edu.51cto.com/courselist/index-p417.html

今天主要使用requests-html这个库。

我们拿51cto学院，完整的练个手。

from requests_html import HTMLSession

BASE_URL = "http://edu.51cto.com/courselist/index-p{}.html"
def get_content():
    session = HTMLSession()
    r = session.get(BASE_URL)
    print(r.html)

if __name__ == '__main__':
    get_content()

使用上面的代码，就能快速的获取到一个请求的响应了。
继续编写下面几行代码之后，你不得不惊叹，我去~，数据都获取到了！

    print(r.html)
    print(r.html.links)
    print(r.html.absolute_links)   # 获取所有的绝对地址
    print(r.html.find('.cList',first=True))  # 获取class=cList的第一个标签
    c_list = r.html.find('.cList',first=True)
    print(c_list.text)

当然这些对咱来说还是远远不够的，毕竟我们要把他写入mongodb里面

上面的只是叫你对这个库有一个基本的认知，更多的资料你可以去他的教程网站查阅

http://html.python-requests.org/

4. 分析爬取方式

看一下异步方式，异步的出现可以为我们的爬虫加速

 

这个地方有一个你一定要注意的，我写这篇文章的时候，requests-html 是从github下载之后，更新的本次，你如果之前使用pip进行安装，那么异步应该是没有更新上去的。

好了，接下来我们实现一下异步，可能由于作者认为异步目前不是很稳定，所以我查阅了一下他的源码，然后实现了如下代码，写的不好，请见谅~
下面的代码，注意看模块的区别，以及核心的异步函数

async def get_html():
    for i in range(1,3):
        r =  await asession.get(BASE_URL.format(i))   # 异步等待
        get_item(r.html)
if __name__ == '__main__':
    result = asession.run(get_html)

from requests_html import AsyncHTMLSession   # 导入异步模块

asession = AsyncHTMLSession()

BASE_URL = "http://edu.51cto.com/courselist/index-p{}.html"

async def get_html():
    for i in range(1,418):
        r =  await asession.get(BASE_URL.format(i))   # 异步等待
        get_item(r.html)

def get_item(html):
   c_list=html.find('.cList',first=True)
   if c_list:
      items=c_list.find('.cList_Item')
      for item in items:
         title=item.find("h3",first=True).text
         href=item.find('h3>a',first=True).attrs["href"]
         class_time=item.find("div.course_infos>p:eq(0)",first=True).text
         study_nums = item.find("div.course_infos>p:eq(1)", first=True).text
         stars=item.find("div.course_infos>div",first=True).attrs['val']
         course_target=item.find(".main>.course_target",first=True).text
         if item.find(".price>h4", first=True):
            price = item.find(".price>h4", first=True).text
         elif item.find(".price>span", first=True):
            price = item.find(".price>span", first=True).text
         dict = {
            "title": title,
            "href": href,
            "class_time": class_time,
            "study_nums": study_nums,
            "stars": stars,
            "course_target": course_target,
            "price": price
         }
         print(dict)
   else:
      print("数据解析失败")

if __name__ == '__main__': 
    result = asession.run(get_html) 

代码运行之后，控制台就会输出相应的内容，上述代码中有个地方用到了大量的解析HTML，这个你搜索一下官方文档就可以看明白，不进行过多的解释。

5. 写入到mongodb里面

这部分代码就非常非常简单了
结果如下

实际的爬取过程中，也没有发现反爬虫的一些限制，不过咱毕竟是为了研究一下requests-html的用法，所以只能对51CTO网站说一句多有得罪，罪过罪过。