使用scrapy框架采集企业黄页数据

2024-01-01 06:32

本文主要是介绍使用scrapy框架采集企业黄页数据,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

今天闲着无聊,好就没用scrapy框架写爬虫了,于是就写了一个企业黄页的爬虫脚本,采集顺企网黄页数据,保存到mongodb,话不多说,简单看下代码吧。

下面部分是spider代码(习惯使用beautifulsoup了QAQ)

import scrapy
from bs4 import BeautifulSoup
from shunqi.items import ShunqiItem
import reclass EpregSpider(scrapy.Spider):name = 'epreg'allowed_domains = ['11467.com']start_url = "http://b2b.11467.com/"def start_requests(self):yield scrapy.Request(url=self.start_url,callback=self.get_city)def get_city(self,response):soup = BeautifulSoup(response.text,"lxml")dl_listtxt = soup.find(text="按城市浏览全国公司黄页").findNext("div").find_all("dl",attrs={"class":"listtxt"})for dl in dl_listtxt:province = dl.find("dt").text.strip()dd_list = dl.find_all("dd")for dd in dd_list:city = dd.text.strip()city_link = "https:" + dd.find("a")["href"]yield scrapy.Request(url=city_link,callback=self.get_class,meta={"city":city,"province":province})def get_class(self,response):city = response.meta["city"]province = response.meta["province"]soup = BeautifulSoup(response.text,"lxml")class_all = soup.find(text=re.compile("公司分类")).findNext("ul").find_all("li")for li in class_all:dd_all = li.find("dl").find_all("dd")for dd in dd_all:cor_link = "https:" + dd.find("a")["href"]yield scrapy.Request(url=cor_link,callback=self.get_cor,meta={"city":city,"province":province})def get_cor(self,response):city = response.meta["city"]province = response.meta["province"]soup = BeautifulSoup(response.text,"lxml")company_list = soup.find("ul",attrs={"class":"companylist"})if company_list:company_list1 = company_list.find_all("div",attrs={"class","f_l"})for li in company_list1:whole_url = "https:" + li.find("h4").findNext("a")["href"]if "qiye" in whole_url:whole_url = whole_url + "#contact"else:whole_url = "https:" + li.find("h4").findNext("a")["href"]yield scrapy.Request(url=whole_url,callback=self.get_info,meta={"url":whole_url,"city":city,"province":province})is_pages = soup.find("div",attrs={"class","pages"})if is_pages:max_page = is_pages.find(text="尾页").findParent("a")["href"].split("-")[1].replace(".htm")page_href = is_pages.find(text="尾页").findParent("a")["href"]for page in range(2,int(max_page)+1):page_url = page_href.split("-")[0] + "-" + str(page) + ".htm"yield scrapy.Request(url=page_url,callback=self.get_cor,meta={"city":city,"province":province})def deal_item(self,soup,text,label):try:data = soup.find(text=re.compile("%s" % text)).findNext("%s" % label).text.strip().replace("\r\n","")except:data = Nonereturn datadef get_info(self,response):item = ShunqiItem()whole_url = response.meta["url"]if "qiye" in whole_url:id = re.search("qiye\/(\d+)\.htm",whole_url,re.S).group(1)else:id = re.search("co\/(\d+)\.htm",whole_url,re.S).group(1)city= response.meta["city"]province = response.meta["province"]soup = BeautifulSoup(response.text,"lxml")adress = self.deal_item(soup,"公司地址:","dd")phone = self.deal_item(soup,"固定电话:","dd")manager = self.deal_item(soup,"经理:","dd")if self.deal_item(soup,"手机号码:","dd") == None:link_phone = self.deal_item(soup,"经理手机:","dd")else:link_phone= self.deal_item(soup,"手机号码:","dd")email = self.deal_item(soup,"电子邮件:","dd")cor_name = self.deal_item(soup,"法人名称:","td")business = self.deal_item(soup,"经营范围:","td")main_product = self.deal_item(soup,"主要经营产品:","td")for field in item.fields:item[field] = eval(field)yield item

下面是采集到一些数据的截图
在这里插入图片描述
以上就是基本的一些代码,本文章只是提供一些采集思路,有兴趣的可以自己写一下,不是很复杂。同时欢迎访问个人博客主页… …

这篇关于使用scrapy框架采集企业黄页数据的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/558399

相关文章

SpringBoot集成Milvus实现数据增删改查功能

《SpringBoot集成Milvus实现数据增删改查功能》milvus支持的语言比较多,支持python,Java,Go,node等开发语言,本文主要介绍如何使用Java语言,采用springboo... 目录1、Milvus基本概念2、添加maven依赖3、配置yml文件4、创建MilvusClient

shell编程之函数与数组的使用详解

《shell编程之函数与数组的使用详解》:本文主要介绍shell编程之函数与数组的使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录shell函数函数的用法俩个数求和系统资源监控并报警函数函数变量的作用范围函数的参数递归函数shell数组获取数组的长度读取某下的

使用Python开发一个带EPUB转换功能的Markdown编辑器

《使用Python开发一个带EPUB转换功能的Markdown编辑器》Markdown因其简单易用和强大的格式支持,成为了写作者、开发者及内容创作者的首选格式,本文将通过Python开发一个Markd... 目录应用概览代码结构与核心组件1. 初始化与布局 (__init__)2. 工具栏 (setup_t

SpringValidation数据校验之约束注解与分组校验方式

《SpringValidation数据校验之约束注解与分组校验方式》本文将深入探讨SpringValidation的核心功能,帮助开发者掌握约束注解的使用技巧和分组校验的高级应用,从而构建更加健壮和可... 目录引言一、Spring Validation基础架构1.1 jsR-380标准与Spring整合1

Python虚拟环境终极(含PyCharm的使用教程)

《Python虚拟环境终极(含PyCharm的使用教程)》:本文主要介绍Python虚拟环境终极(含PyCharm的使用教程),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,... 目录一、为什么需要虚拟环境?二、虚拟环境创建方式对比三、命令行创建虚拟环境(venv)3.1 基础命令3

Python Transformer 库安装配置及使用方法

《PythonTransformer库安装配置及使用方法》HuggingFaceTransformers是自然语言处理(NLP)领域最流行的开源库之一,支持基于Transformer架构的预训练模... 目录python 中的 Transformer 库及使用方法一、库的概述二、安装与配置三、基础使用:Pi

关于pandas的read_csv方法使用解读

《关于pandas的read_csv方法使用解读》:本文主要介绍关于pandas的read_csv方法使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录pandas的read_csv方法解读read_csv中的参数基本参数通用解析参数空值处理相关参数时间处理相关

使用Node.js制作图片上传服务的详细教程

《使用Node.js制作图片上传服务的详细教程》在现代Web应用开发中,图片上传是一项常见且重要的功能,借助Node.js强大的生态系统,我们可以轻松搭建高效的图片上传服务,本文将深入探讨如何使用No... 目录准备工作搭建 Express 服务器配置 multer 进行图片上传处理图片上传请求完整代码示例

SpringBoot条件注解核心作用与使用场景详解

《SpringBoot条件注解核心作用与使用场景详解》SpringBoot的条件注解为开发者提供了强大的动态配置能力,理解其原理和适用场景是构建灵活、可扩展应用的关键,本文将系统梳理所有常用的条件注... 目录引言一、条件注解的核心机制二、SpringBoot内置条件注解详解1、@ConditionalOn

Python中使用正则表达式精准匹配IP地址的案例

《Python中使用正则表达式精准匹配IP地址的案例》Python的正则表达式(re模块)是完成这个任务的利器,但你知道怎么写才能准确匹配各种合法的IP地址吗,今天我们就来详细探讨这个问题,感兴趣的朋... 目录为什么需要IP正则表达式?IP地址的基本结构基础正则表达式写法精确匹配0-255的数字验证IP地