标签：
先看成果
大概过程：
能通过页面一次性获得所需大量数据的，通过jQuery获取原数据，并一条条显示在console面板中。每条我是直接拼接成sql显示。
打开chrome，进到地址http://www.autozi.com/carBrandLetter/.html。按F12点console面板。粘贴下面的内容
$("tr.event_scroll").each(function(i){
var _this = $(this);
// 奥迪，宝马各个主品牌
var mainBrandName = _this.find(‘th>h4‘).text();
var seriesList = $(this).find(‘.car-series-list li‘);
$.each(seriesList, function(i, el){
// 各品牌下的子品牌，如奥迪下有进口奥迪和一汽奥迪
var subBrandName = $(el).find(‘h4‘).text();
// 各个车系，如奥迪A6，A4
var models = $(el).find(‘a.carModel‘)
$.each(models, function(j, element){
var model = $(element).text();
var carSeriesId = getCarSeriesId($(element).attr(‘s_href‘));
// 拼接成sql语句，插入数据库用
getSql(subBrandName,model,carSeriesId);
})
});
});
// 根据地址获取参数id
// 如http://www.autozi.com:80/carmodels.do?carSeriesId=1306030951244661 得到1306030951244661
function getCarSeriesId(str) {
return str.slice(str.indexOf(‘=‘)+1);
}
// 拼接成sql语句，插入数据库用
// insert into tableName(brandName, name, carSeriesId) values ("一汽奥迪", "A6", "425");
function getSql(subBrandName,model,carSeriesId) {
var str = ‘insert into tableName(brandName, name, carSeriesId) values ("‘+subBrandName+‘", "‘+model+‘", "‘+carSeriesId+‘");‘;
console.log(str);
}
回车，显示如下。
这样我就拿到了所有的汽车品牌，子品牌和车系。
但是具体的包含年份和排量的车型还没有办法拿到。比如奥迪A6L。有2011年款2.0L的，有2005年4.2L的。
网站做成了在弹窗中显示。
比如点击A6L。发送一个ajax请求，请求地址是：http://www.autozi.com/carmodels.do?carSeriesId=425&_=1462335011762
当点击第二页，又发起了一个新的ajax请求，请求地址是：http://www.autozi.com/carmodelsAjax.do?currentPageNo=2&carSeriesId=425&_=1462335011762
奥迪A6L一共有四页carSeriesId=425刚才已经拿到了。要获得所有年份和排量的A6L。就要发起四个请求，地址是：
http://www.autozi.com/carmodelsAjax.do?currentPageNo=[#page]&carSeriesId=425
[#page]即为1-4。每次改变下分页参数数值即可。当请求不存在的http://www.autozi.com/carmodelsAjax.do?currentPageNo=5&carSeriesId=425。会返回空页面。
想想之前学了点使用Python的BeautifulSoup 类库采集网页内容。刚好在这里派上了用场。
getSoup是打开页面并返回html，请求页面地址中初始pageNo参数是1。判断返回的html是否为空。如果有内内容则pageNo+1。继续请求这个地址。
如果没有则请求下一个车系的地址。
每两个车系之间暂停10秒。因为我发现如果操作过于频繁服务端会返回空
from urllib.request import urlopen from bs4 import BeautifulSoup from time import sleep # carList def getList(carList): fo = open("cars.txt", "a+") for link in soup.find_all("a", class_="link"): #print(link.get(‘title‘)) fo.write(link.get(‘title‘)+‘\n‘) fo.close() def getSoup(modelId, pageNumber): tpl_url = "http://www.autozi.com/carmodelsAjax.do?carSeriesId=[#id]¤tPageNo=[#page]" real_url = tpl_url.replace(‘[#id]‘, str(modelId)) real_url = real_url.replace(‘[#page]‘, str(pageNumber)) from_url = urlopen(real_url).read().decode(‘utf-8‘) soup = BeautifulSoup(from_url, "html5lib") return soup modelIds = [741,1121,357,1055] for modelId in modelIds: flag = True i = 1 while flag: soup = getSoup(modelId, i) carList = soup.find_all(‘li‘, limit=1) if len(carList): getList(carList) i=i+1 else: flag = False sleep(10)
标签：
原文地址：http://www.cnblogs.com/mafeifan/p/5457873.html
