day9
''' 主页: 图标地址、 https://www.wandoujia.com/category/6001 32 ''' import requests from bs4 import BeautifulSoup from pymongo import MongoClient # 连接MongoDB客户端 client = MongoClient('localhost', 27017) # 创建或选择wangdoujia库,index集合 index_col = client['wangdoujia']['index'] # 创建或选择wangdoujia库,detail集合 detail_col = client['wangdoujia']['detail'] # 1、发送请求 def get_page(url): response = requests.get(url) return response # 2、开始解析 # 解析详情页 def parse_detail(text): soup = BeautifulSoup(text, 'lxml') # print(soup) try: name = soup.find(name="span", attrs={"class": "title"}).text except Exception: name = None try: love = soup.find(name='span', attrs={"class": "love"}).text except Exception: love = None try: commit_num = soup.find(name='a', attrs={"class": "comment-open"}).text except Exception: commit_num = None try: commit_content = soup.find(name='div', attrs={"class": "con"}).text except Exception: commit_content = None try: download_url = soup.find(name='a', attrs={"class": "normal-dl-btn"}).attrs['href'] except Exception: # 若有异常,设置为None download_url = None if name and love and commit_num and commit_content and download_url: detail_data = { 'name': name, 'love': love, 'commit_num': commit_num, 'download_url':download_url } if not love: detail_data = { 'name': name, 'love': '没有点赞', 'commit_num': commit_num, 'download_url': download_url } if not download_url: detail_data = { 'name': name, 'love': love, 'commit_num': commit_num, 'download_url':'没有安装包' } detail_col.insert(detail_data) print(f'{name}app数据插入成功!') # 解析主页 def parse_index(data): soup = BeautifulSoup(data, 'lxml') # 获取所有app的li标签 app_list = soup.find_all(name='li', attrs={"class": "card"}) for app in app_list: # print('*' * 1000) # print(app) # 图标地址 # 获第一个img标签中的data-origina属性 img = app.find(name='img').attrs['data-original'] # print(img) # 下载次数 # 获取class为install-count的span标签中的文本 down_num = app.find(name='span',attrs={"class": "install-count"}).text # print(down_num) # 大小 # 根据文本正则获取到文本中包含 数字 + MB (\d+代表数字)的span标签中的文本 import re size = soup.find(name='span', text=re.compile("\d+MB")).text # print(size) # 详情页地址 # 获取class为detail-check-btn的a标签中的href属性 detail_url = app.find(name='a').attrs['href'] # print(detail_url) # 拼接数据 index_data = { 'img':img, 'down_num':down_num, 'size': size, 'detail_url': detail_url } index_col.insert(index_data) print(f'主页数据插入成功') # 3、往app详情页发送请求 response = get_page(detail_url) # print(response.text) # print('tank') # 4、解析详情页 parse_detail(response.text) def main(): for line in range(1,33): url = f'https://www.wandoujia.com/wdjweb/api/category/more?catId=6001&subCatId=0&page={line}&ctoken=ql8VkarJqaE7VAYNAEe2JueZ' # 1、往app接口发送前请求 response = get_page(url) # print(response.text) print('*' * 1000) # 反序列化为字典 data = response.json() # 获取接口中app标签数据 app_li = data['data']['content'] # print(app_li) # 2、解析app标签数据 parse_index(app_li) # 执行完所有函数关闭mongoDB客户端 client.close() if __name__ == '__main__': main()
今日内容:
0、MongoDB可视化工具
1、Scrapy爬虫框架
2、微信机器人
'''
Components:
1、引擎(EGINE)
引擎负责控制系统所有组件之间的数据流,并在某些动作发生时触发事件。有关详细信息,请参见上面的数据流部分。
2、调度器(SCHEDULER)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
3、下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE,下载器是建立在twisted这个高效的异步模型上的
4、爬虫(SPIDERS)
SPIDERS是开发人员自定义的类,用来解析responses,并且提取items,或者发送新的请求
5、项目管道(ITEM PIPLINES)
在items被提取后负责处理它们,主要包括清理、验证、持久化(比如存到数据库)等操作
下载器中间件(Downloader Middlewares)位于Scrapy引擎和下载器之间,主要用来处理从EGINE传到DOWLOADER的请求request,已经从DOWNLOADER传到EGINE的响应response,
你可用该中间件做以下几件事:
(1) process a request just before it is sent to the Downloader (i.e. right before Scrapy sends the request to the website);
(2) change received response before passing it to a spider;
(3) send a new Request instead of passing received response to a spider;
(4) pass response to a spider without fetching a web page;
(5) silently drop some requests.
6、爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间,主要工作是处理SPIDERS的输入(即responses)和输出(即requests)
'''
1、pip3 install wheel
2、pip3 install lxml
3、pip3 install pyopenssl
二 安装
#Windows平台
1、pip3 install wheel #安装后,便支持通过wheel文件安装软件,wheel文件官网:https://www.lfd.uci.edu/~gohlke/pythonlibs
2、pip3 install lxml
3、pip3 install pyopenssl # pyopenssl是一个封装了openssl的python模块。使用它可以方便地进行一些加解密操作。
# pywin32与python3有不兼容的问题,在 下载与当前python相兼容的版本,使用pip install 路径名(.wheel)文件方式进行安装
4、下载并安装pywin32:https://sourceforge.net/projects/pywin32/files/pywin32/ # 去220目录下根据你的系统与python解释器下载相应的版本
# 直接使用国内源下载
pip3 --no-cache-dir install -i https://mirrors.aliyun.com/pypi/simple/pypiwin32 --ignore-installed
# 因为scrapy是基于twisted开发的,所以需要下载twisted
5、下载twisted的wheel文件:http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted
6、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl # 安装本地的twisted文件
# cmd: >> pip3 install D:\tank_files\Twisted-18.9.0-cp36-cp36m-win_amd64.whl
7、pip3 install scrapy # 把1-6做完以后再下载scarpy框架,否则会报错
**Scrapy使用**
1、进入终端cmd
-scrapy
C:\Users\沈金金>scrapy
Scrapy 1.6.0 - no active project
2、创建scrapy项目
1、创建一个文件夹,专门用于存放scrapy项目
-D:\Scrapy_project
2、cmd终端输入
-scrapy startproject Spider Project
# from wxpy import * # bot = Bot() # bot = Bot(cache_path=True) # 必须先登录过一次以后才可以使用缓存 # from wxpy import Bot # from pyecharts import Pie # import webbrowser # # # 实例化一个微信机器人对象 # bot = Bot() # # # 获取到微信的所有好友 # friends = bot.friends() # # # 设定男性\女性\位置性别好友名称 # attr = ['男朋友', '女朋友', '人妖'] # # # 初始化对应好友数量 # value = [0, 0, 0] # # # 遍历所有的好友,判断这个好友是男性还是女性 # for friend in friends: # if friend.sex == 1: # value[0] += 1 # elif friend.sex == 2: # value[1] += 1 # else: # value[2] += 1 # # # 实例化一个饼状图对象 # pie = Pie('tank的好友们!') # # # 图表名称str,属性名称list,属性所对应的值list,is_label_show是否现在标签 # pie.add('', attr, value, is_label_show=True) # # # 生成一个html文件 # pie.render('friends.html') # # # 打开html文件 # webbrowser.open('friends.html') ''' $ pip36 install echarts-countries-pypkg $ pip36 install echarts-china-provinces-pypkg $ pip36 install echarts-china-cities-pypkg $ pip36 install echarts-china-counties-pypkg $ pip36 install echarts-china-misc-pypkg ''' from wxpy import * from pyecharts import Map import webbrowser bot=Bot(cache_path=True) friends=bot.friends() area_dic={}#定义一个字典,用来存放省市以及省市人数 for friend in friends: if friend.province not in area_dic: area_dic[friend.province]=1 else: area_dic[friend.province]+=1 attr = area_dic.keys() value = area_dic.values() map = Map("好朋友们的地域分布", width=1200, height=600) map.add( "好友地域分布", attr, value, maptype='china', is_visualmap=True, #结合体VisualMap ) #is_visualmap -> bool 是否使用视觉映射组件 # map.render('area.html') webbrowser.open("area.html")
# main() from scrapy.cmdline import execute # 写终端的命令 # scrapy crawl baidu # 执行baidu爬虫程序 # execute(["scrapy", 'crawl', "baidu"]) # 创建爬取链家网爬虫程序 # execute(["scrapy", "genspider", "lianjia", "lianjia.com"]) # 执行链家爬虫程序 # execute("scrapy crawl lianjia".split(" ")) # --nolog去除日志 execute("scrapy crawl --nolog lianjia".split(" "))
# -*- coding: utf-8 -*- import scrapy from scrapy import Request # response的类 from scrapy.http.response.html import HtmlResponse class LianjiaSpider(scrapy.Spider): name = 'lianjia' # 爬虫程序名 # 只保留包含lianjia.com的url allowed_domains = ['lianjia.com'] # 限制域名 # 存放初始请求url start_urls = ['https://bj.lianjia.com/ershoufang/'] def parse(self, response): # response返回的响应对象 # print(response) # print(type(response)) # # 获取文本 # print(response.text) # print(response.url) # 获取区域列表url area_list = response.xpath('//div[@data-role="ershoufang"]/div/a') # 遍历所有区域列表 for area in area_list: print(area) ''' .extract()提取多个 .extract_first()提取一个 ''' # 1、区域名称 area_name = area.xpath('./text()').extract_first() print(area_name) # 2、区域二级url area_url = 'https://bj.lianjia.com/' + area.xpath('./@href').extract_first() print(area_url) # 会把area_url的请求响应数据交给callback方法 # yield后面跟着的都会添加到生成器中 yield Request(url=area_url, callback=self.parse_area) def parse_area(self, response): # print(response) house_list = response.xpath('//ul[@class="sellListContent"]') # print(house_list) if house_list: for house in house_list: house_name = house.xpath('.//div[@class="title"]/a/text()').extract_first() print(house_name) house_cost = house.xpath('.//div[@class="totalPrice]/text()').extract_first() + '万' print(house_cost) house_price = house.xpath('.//div[@class="unitPrice"]/span/text()').extract_first() print(house_price) pass