python3.4+selenium爬58同城（一）

标签：

爬取http://bj.58.com/pbdn/0/pn2/中除转转、推广商品以外的产品信息，因为转转和推广的详情信息不规范，需要另外写一个方法存放，后期补上，详情页如下

这周学习了爬虫，但是遇到一些js，requests方法无法渲染，比如浏览量，所以结合selenium+phantomjs渲染网页，获取信息

上代码，注释中详细解释：

from selenium import webdriver
from bs4 import BeautifulSoup
import re

class GetPageInfo(object):

‘这个类主要是定义爬网页的方法，定义一个规范，以后爬取网页方法就重写这个类就行’
    def index_page(self):
        ‘获取所有每个网页的url‘

        ‘这周暂时只爬取一页的所有记录详细信息，所以该方法暂时不用’
        pass
    def detail_page(self):
        ‘从每个index_page中,获取每个网页的每条记录的url‘
        pass
    def domain_page(self):
        ‘从每个detail_page中，获取每条记录的详细信息‘

class TongChengFirstHomework(GetPageInfo):
    #传入一个浏览器
    def __init__(self,browser=None):
        self.browser= browser  #初始化一个浏览器
    def detail_page(self,whoshell=0,page=1):
        ‘woshell:0代表个人销售，1代表商家销售；page当前页‘
        #http://sz.58.com/pbdn/0/pn1/
        url= ‘http://sz.58.com/pbdn/{}/pn{}/‘.format(str(whoshell),str(page))    

        #此处使用了format函数，详细用法可以找找百度
        browser.get(url) #打开网页
         html = browser.page_source  #获取网页的所有内容
        soup = BeautifulSoup(html,‘lxml‘) #用BeautifulSoup解析网页，转回我们平时熟悉的爬虫方法
        detail_urls = soup.select(‘#infolist a.t‘)  #获取某一页下的所有记录
        detail_url_list=[]
        for row in detail_urls:
            detail_url = row.get(‘href‘)
            if (‘Mzhuanzhuan‘ not in str(detail_url)) and (‘jump‘ not in detail_url):
                    #获取每一条记录的url
                detail_url_list.append(detail_url)
        print(detail_url_list)
        return detail_url_list

    def domain_page(self,detail_url):
        detail = {} #用来存放详细信息的字典

        browser.get(detail_url) 
         html = browser.page_source 
        soup = BeautifulSoup(html,‘lxml‘) 
        desc_product = soup.select(‘div.col_sub.sumary > ul > li:nth-of-type(2) > div.su_con > span‘)
        detail={
            "provice":soup.select(‘.crb_i > a‘)[0].get_text(),
            "title":soup.select(‘#content > div.person_add_top.no_ident_top > div.per_ad_left > div.col_sub.mainTitle > h1‘)[0].get_text(),
            "date":soup.select(‘.time‘)[0].get_text(),
            "views":soup.select(‘#totalcount‘)[0].get_text(),
            "price":soup.select(‘span.price.c_f50‘)[0].get_text(),
            "condition":list(desc_product[0].stripped_strings) if ‘-‘ not in str(soup.select(‘div.col_sub.sumary > ul > li:nth-of-type(2) > div.su_con > span‘)) else None,
            "area":list(soup.select(‘.c_25d‘)[0].stripped_strings) if soup.find_all(‘span‘,‘c_25d‘) else None,
             #这里是可以直接在字典里使用if函数，类似列表解析式
            "seller":soup.select(‘#divContacter > ul > ul > li > a‘)[0].get_text(),
        }
        print(detail)
        return detail #返回所有详细信息


try:
    cap = webdriver.DesiredCapabilities.PHANTOMJS #DesiredCapabilities是一个字典，可以对浏览器进行设置

    cap[‘phantomjs.page.settings.loadImages‘]=False #设置浏览器不加载图片
    cap[‘phantomjs.page.settings.userAgent ‘]="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36" #设置useragent
    cap[‘phantomjs.page.settings.diskCache‘] =True #设置浏览器开启缓存
    browser = webdriver.PhantomJS(desired_capabilities=cap)  #使用desired_capabilities初始化浏览器
    tongcheng=TongChengFirstHomework(browser)  #实例一个tongchengfirskhomework对象
    for detail_page in tongcheng.detail_page(page=2):
        tongcheng.domain_page(detail_page)
        print(detail_page)

finally:
    browser.close() #记得要关掉浏览器

python3.4+selenium爬58同城（一）

标签：

原文地址：http://www.cnblogs.com/huangweiping/p/5399500.html