====================================================================
小袁开始实习了，我主管让我练一下爬虫，公司是做商标大数据的，所以这次爬取的是商标网站，之后也会更新一些爬虫教程（美女图片之类的劳逸结合你们懂得！！！）
点赞收藏博主更有创作动力哟，以后常更！！！
======================================================================
我们要爬取的网页是：http://www.mp.cc/search/1?category=25
网站主页如下：
1）第一页有39个商标展示，每一个都需要进入网页获取详细信息（未截图完）
红色框就是要爬取的内容
2）一共91页
给你们看看我爬取完的效果，保存在SqlServer中：
爬取的内容是：商标名、商标价格、商标编号、所属类别、专用期限、类似群组、注册范围、商标图片地址
======================================================================
我用的是python3.8，VScode编辑器，所需的库有：requests、etree、pymssql
开头导入所需用到的导入的库：
import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为Elements对象
import pymssql # 连接SqlServer的库
建表：
CREATE TABLE “MPSB” (
“title” NVARCHAR(MAX),
“price” NVARCHAR(MAX),
“number” NVARCHAR(MAX),
“category” NVARCHAR(MAX),
“term” NVARCHAR(MAX),
“groups” NVARCHAR(MAX),
“Range” NVARCHAR(MAX),
“img_url” NVARCHAR(MAX)
)
为防止，字段给的不够，直接给个MAX！
======================================================================
直接上完整代码，再逐步分析！
import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为
import pymssql # 连接SqlServer的库
import time
class TrademarkSpider:
def init(self) :
self.baseurl = “http://www.mp.cc/search/%s?category=%s”
self.headers = {“User-Agent”: “Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36”}
发送请求，获取相应
def parse_url(self,url):
response = requests.get(url,headers=self.headers)
time.sleep(2)
return response.content.decode()
获取每种类别主页个数
def get_page_num(self,html_str):
html = etree.HTML(html_str)
div_list = html.xpath(“//div[@class=‘pagination’]”) # 根据div分组
try:
for div in div_list:
a = div.xpath(“//a[@class=‘number’]/text()”)
index = len(a)-1
page = int(a[index])
except:
page = 1
print(page,‘页’)
return page
获取每页中n个详情页地址
def get_content_list(self,html_str):
html = etree.HTML(html_str)
div_list = html.xpath(“//div[@class=‘item_wrapper’]”) # 根据div分组
item = {}
for div in div_list:
item[“href”]= div.xpath(“//a[@class=‘img-container’]/@href”)
获取每页中详情页个数
html1 = etree.HTML(html_str)
div_list1 = html1.xpath(“//div[@class=‘item_wrapper’]”) # 根据div分组
detailed_num = len(div_list1)
print(detailed_num)
拼接网页
for i in range(0,detailed_num):
item[“href”][i] = ‘http://www.mp.cc%s’ % item[“href”][i]
for value in item.values():
content_list = value
#print(content_list)
return content_list
获取1-n(n最大为39)个详情页信息
def get_information(self,content_list):
information = []
for i in range(len(content_list)):
details_url = content_list[i]
html_str = self.parse_url(details_url)
html = etree.HTML(html_str)
div_list = html.xpath(“//div[@class=‘d_top’]”) # 根据div分组
item = []
for div in div_list:
title = div.xpath(“///div[@class=‘d_top_rt_right’]/text()”)
price = div.xpath(“//div[@class=‘text price2box’]/span[2]/text()”)
number = div.xpath(“//div[@class=‘text’][1]/text()”)
category = div.xpath(“//div[@class=‘text’][2]/span[@class=‘cate’]/text()”)
term = div.xpath(“//div[@class=‘text’][3]/text()”)
groups = div.xpath(“//div[@class=‘text’][4]/text()”)
Range = div.xpath(“//div[@class=‘text’][5]/text()”)
img_url = div.xpath(“//img[@class=‘img_logo’]/@src”)
title = ’ ‘.join(title).replace(’\n’, ‘’).replace(‘\r’, ‘’).replace(’ ‘,’')
price = ’ '.join(price)
number = ’ ‘.join(number).replace(’\n’, ‘’).replace(‘\r’, ‘’).replace(’ ‘,’')
category = ’ '.join(category)
term = ’ ‘.join(term).replace(’\n’, ‘’).replace(‘\r’, ‘’).replace(’ ‘,’')
groups = ’ ‘.join(groups).replace(’\n’, ‘’).replace(‘\r’, ‘’).replace(’ ‘,’')
Range = ’ ‘.join(Range).replace(’\n’, ‘’).replace(‘\r’, ‘’).replace(’ ‘,’')
img_url = ’ '.join(img_url)
item.append(title)
item.append(price)
item.append(number)
item.append(category)
item.append(term)
item.append(groups)
item.append(Range)
item.append(img_url)
item = tuple(item)
information.append(item)
#print(information)
return information
def insert_sqlserver(self, information):
连接本地数据库服务,创建游标对象
db = pymssql.connect(‘.’, ‘sa’, ‘yuan427’, ‘test’) #服务器名,账户,密码,数据库名
if db:
print(“连接成功!”)
cursor= db.cursor()
try:
插入sql语句
sql = “insert into MPSB (title,price,number,category,term,groups,Range,img_url) values (%s,%s,%s,%s,%s,%s,%s,%s)”
执行插入操作
cursor.executemany(sql,information)
db.commit()
print(‘成功载入…’ )
except Exception as e:
db.rollback()
print(str(e))
关闭游标，断开数据库
cursor.close()
db.close()
实现主要逻辑
def run(self):
for type_num in range(1,46):
1.拼接网页获取每个类别的页数page
url = self.baseurl % (1,type_num)
html_str = self.parse_url(url)
page = self.get_page_num(html_str) + 1
for i in range(1,page):
url = self.baseurl % (i,type_num)
x = 0
while x<1:
2.发送请求，获取相应
html_str = self.parse_url(url)
3.获取第一页中39个详情页地址
content_list= self.get_content_list(html_str)
4.获取39个详情页信息
information = self.get_information(content_list)
5.入库
self.insert_sqlserver(information)
x += 1
if name == “main”:
trademarkSpider = TrademarkSpider()
trademarkSpider.run()
先讲讲我的整体思路再逐步解释：
-
第一步：构造主页的URL地址
-
第二步：发送请求，获取响应
-
第三步：获取第一页中39个详情页地址
-
第四步：获取39个详情页信息
-
第五步：存入SqlServer数据库
-
第六步：实现主页翻页（1-91页）
我们先手动翻页，1-3页：
http://www.mp.cc/search/1?category=25
http://www.mp.cc/search/2?category=25
http://www.mp.cc/search/3?category=25
可以看出来，网址只有中间一个数据在逐步递增，所以就可以构造主页地址，代码如下：
for i in range(1,92):
1.构造主页地址
url = self.baseurl % i
这里做了字符串拼接，baseurl在 __init__(self)中：
self.baseurl = “http://www.mp.cc/search/%s?category=25” #通过%s传数字进入
发送请求，获取响应，代码如下：
def init(self) :
self.baseurl = “http://www.mp.cc/search/%s?category=25”
self.headers = {“User-Agent”: “Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36”}
发送请求，获取相应
def parse_url(self,url):
response = requests.get(url,headers=self.headers)
return response.content.decode() #返回网页代码，我们就在这里面提取数据
这会就有小伙伴不明白了，你headers什么意思啊？
-
防止服务器把我们认出来是爬虫，所以模拟浏览器头部信息，向服务器发送消息
-
这个 “装” 肯定必须是要装的！！！
获取第一页中39个详情页地址，代码如下：
def get_content_list(self,html_str):
html = etree.HTML(html_str)
div_list = html.xpath(“//div[@class=‘item_wrapper’]”) # 根据div分组
item = {}
获取网页（只有半截，如：/brand/detail/36003501）
for div in div_list:
item[“href”]= div.xpath(“//a[@class=‘img-container’]/@href”)
拼接网页
for i in range(39):
item[“href”][i] = ‘http://www.mp.cc%s’ % item[“href”][i]
#遍历字典存入列表
for value in item.values():
content_list = value
print(content_list)
return content_list
1）我们先把获取到的主页代码转换为Elements对象，就和网页中的一样，如下图：html = etree.HTML(html_str)
2）写Xpath根据div分组：div_list = html.xpath("//div[@class='item_wrapper']")
如图可以看出每个商标的详情地址都在<div class="item_wrapper">中
3）提取地址
item = {}
for div in div_list:
item[“href”]= div.xpath(“//a[@class=‘img-container’]/@href”)
拼接网页
for i in range(39):
item[“href”][i] = ‘http://www.mp.cc%s’ % item[“href”][i]
#遍历字典存入列表
for value in item.values():
content_list = value
4）效果如下：
[‘http://www.mp.cc/brand/detail/36449901’, ‘http://www.mp.cc/brand/detail/26298802’, ‘http://www.mp.cc/brand/detail/22048146’, ‘http://www.mp.cc/brand/detail/4159836’, ‘http://www.mp.cc/brand/detail/9603914’, ‘http://www.mp.cc/brand/detail/4156243’, ‘http://www.mp.cc/brand/detail/36575014’, ‘http://www.mp.cc/brand/detail/39965756’, ‘http://www.mp.cc/brand/detail/36594259’, ‘http://www.mp.cc/brand/detail/37941094’, ‘http://www.mp.cc/brand/detail/38162960’, ‘http://www.mp.cc/brand/detail/38500643’, ‘http://www.mp.cc/brand/detail/38025192’, ‘http://www.mp.cc/brand/detail/37755982’, ‘http://www.mp.cc/brand/detail/37153272’, ‘http://www.mp.cc/brand/detail/35335841’, ‘http://www.mp.cc/brand/detail/36003501’, ‘http://www.mp.cc/brand/detail/27794101’, ‘http://www.mp.cc/brand/detail/26400645’, ‘http://www.mp.cc/brand/detail/25687631’, ‘http://www.mp.cc/brand/detail/25592319’,
‘http://www.mp.cc/brand/detail/25593974’, ‘http://www.mp.cc/brand/detail/24397124’, ‘http://www.mp.cc/brand/detail/23793395’, ‘http://www.mp.cc/brand/detail/38517219’, ‘http://www.mp.cc/brand/detail/36921312’, ‘http://www.mp.cc/brand/detail/6545326_6545324’, ‘http://www.mp.cc/brand/detail/8281719’, ‘http://www.mp.cc/brand/detail/4040639’, ‘http://www.mp.cc/brand/detail/42819737’, ‘http://www.mp.cc/brand/detail/40922772’, ‘http://www.mp.cc/brand/detail/41085317’, ‘http://www.mp.cc/brand/detail/40122971’, ‘http://www.mp.cc/brand/detail/39200273’, ‘http://www.mp.cc/brand/detail/38870472’, ‘http://www.mp.cc/brand/detail/38037836’, ‘http://www.mp.cc/brand/detail/37387087’, ‘http://www.mp.cc/brand/detail/36656221’, ‘http://www.mp.cc/brand/detail/25858042’]
因为我们获取的详情页地址只有半截，所以在做一个拼接！
可能这里有小伙伴要问了为什么你要先存入字典再存列表呢？？？
可以自己试试如果直接存列表，所有的地址全部都挤在一起了，没法拼接！！！
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）
体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**
因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。
[外链图片转存中…(img-TFEE1ktn-1712534646098)]
[外链图片转存中…(img-dBllKU1Z-1712534646099)]
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
