91家纺网,修改数据库连接测试之后的初定版本

"""
抓取
解析
存储
"""
import re
#import ast
from urllib import parse
from datetime import datetime

import random 
import requests
import time
from scrapy import Selector

from models import *

store_list_urls = []
product_list_urls = []

domain = "http://www.91jf.com/"
store_domain = "http://www.91jf.com/default.php?act=corp&sort=list&page="

#阿布云代理ip,此处后期改成ip池获取
def get_html_0(url):
    # 代理服务器
    print("开始下载url : {}".format(url))
    proxies = {
        "http:" :"http://117.95.199.208:9999",
        "https" :"https://117.95.199.208:9999"        
    }
    from fake_useragent import UserAgent
    ua = UserAgent()
    print(ua.random)
    headers = {
        "User-Agent": ua.random
    }
    r = requests.get('http://icanhazip.com/',proxies=proxies)
    print(r.text)
    resp = requests.get(url, proxies=proxies, headers=headers)
    return resp

'''
def get_html(url):
    # 代理服务器
    print("开始下载url : {}".format(url))
    proxyHost = "http-dyn.abuyun.com"
    proxyPort = "9020"

    # 代理隧道验证信息
    proxyUser = "H58G6G30137G865D"
    proxyPass = "043F1F63DA9899C8"

    proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
        "host": proxyHost,
        "port": proxyPort,
        "user": proxyUser,
        "pass": proxyPass,
    }

    proxies = {
        "http": proxyMeta,
        "https": proxyMeta,
    }
    from fake_useragent import UserAgent
    ua = UserAgent()
    print(ua.random)
    headers = {
        "User-Agent": ua.random
    }

    resp = requests.get(url, proxies=proxies, headers=headers)
    resp = resp.content.decode("utf-8")
    return resp
'''

def get_nodes_json():
    left_menu_text = requests.get("http://www.91jf.com/").text
    #etree.HTML(res0.text)
    sel = Selector(text=left_menu_text)
    all_divs = sel.xpath("//div[@class='class_child_li']//a[@href]").extract()
    if all_divs:
        nodes_lists = []
        for i in range(len(all_divs)):
            nodes_str = all_divs[i]
            nodes_str = nodes_str.replace("&","&") # 此处&由于被转义成&导致需要重新进行处理
            nodes_lists.append(nodes_str)
        return nodes_lists
    return []

# 获取一级目录数据,保存商品系列ID,用来拼接爬虫入口的url
def process_nodes_list(url):
    menu_text = get_html_0(url).content.decode('utf-8')
    #menu_text = requests.get(url).text
    sel = Selector(text=menu_text)
    nodes_list = sel.xpath("//div[@class='index_g_class']/ul/li")
    for item in nodes_list:
        title = item.xpath("./div[@class='class_menu']/span/text()").extract()
        title = ''.join(title)
        #主目录的名称
        catalogue_name = title
        catalogue = Catalogue()
        catalogue.catalogue_name = catalogue_name # 系列名称
        #catalogue.series_level = 0 # 系列等级
        #catalogue.category_id = 0 # 系列catalogue_id
        existed_id = Catalogue.select().where(Catalogue.catalogue_name==catalogue_name)
        if existed_id:
            # catalogue.save()
            pass  
        else:
            catalogue.save(force_insert=True)  

        _id = Catalogue.get(Catalogue.catalogue_name==title)._id # 此处获取父节点的id

        #time.sleep(random.randint(0,2))
        series_names = item.xpath('.//div[@class="class_child_li"]//li')
        for series_name in series_names:
            
            catalogue_0 = Catalogue()
            catalogue_0.catalogue_name = title # 系列名称
            catalogue_0.series_level = 0 # 系列等级

            series_name_0 =  series_name.xpath('.//span/text()').extract()
            series_name_0 = ''.join(series_name_0)
            
            category_id = series_name.xpath(".//a[@href]").extract()
            category_id = ''.join(category_id)
            category_id = re.search('d.?d',category_id).group()
            
            catalogue_0.category_id = category_id # 次级产品系列ID
            catalogue_0.catalogue_name = series_name_0 # 次级产品系列的名称
            catalogue_0.catalogue_level = 2 # 次级产品系列的等级
            catalogue_0.father_id = _id # 父节点的ID
            
            existed_id = Catalogue.select().where(Catalogue.catalogue_name==series_name_0)
            if existed_id:
                pass
                #catalogue_0.save()
            else:
                catalogue_0.save(force_insert=True)  

def get_level1_list(nodes_list):
    level1_url = []
    #将js的格式提取出url到list中
    for item in nodes_list:
        #此处为对应的url数据
        url = re.search('".*d"', item)
        url = url.group(0).replace(""", "")
        url1 = parse.urljoin(domain,url + "&okey=salenum&order=desc&page=1")
        level1_url.append(url1)
    return level1_url

def get_last_urls():
    #获取最终需要抓取的url
    url_list = []
    #nodes_list = get_nodes_json()
    process_nodes_list(domain)
    #catalogue = Catalogue()
    #id_data = Catalogue.select().where(Catalogue.catalogue_level==2)
    #id_data = Catalogue.get(Catalogue.series_level_0==1).category_id
    '''
    for item in id_data:
        print(item.category_id)
    '''
    '''
    level1_url = get_level1_list(nodes_list) # 所有系列商品对应的第一页url
    for url in level1_url:
        #print(url)
        parse_product(url)
        url_list,store_id_list = parse_data_last(url)
        #url_list.extend(parse_data_last(url))
    '''
    return url_list

def parse_product(url):
    #获取商品的详情以及销售数量
    res_text = requests.get(url).text 
    print(url)
    #print(res_text)
    sel = Selector(text=res_text)
    res_li = sel.xpath("//div[@class='pro_list_div g-clearfix c']/ul//li[@class='goods_offset']")
    flag_num = 0
    for item in res_li:
        product_id = item.xpath('./div[contains(@class,"pro_pic_box")]/a[@href]').extract() # 产品ID
        product_id = re.search('id=.*d"',''.join(product_id))
        product_id = product_id.group().replace("id=","")
        product_id = product_id.replace(""","")
        product_id = int(product_id)

        name = item.xpath("./div[@class='row row-2 title']/a/text()").extract() # 产品名字
        name = ''.join(name)
        price = item.xpath('./div[@id="goods_detail_b"]/div[@class="row row-1"]/div[@class="g_price fm2"]/strong/text()').extract() # 显示价格
        price = ''.join(price)
        try:
            price = float(price)
        except:
            print("价格会员可见|价格请咨询商家")
            continue
        sales_num = item.xpath("./div[@id='goods_detail_b']/div[2]/p[1]/text()").extract()  # 销售数量
        sales_num= ''.join(sales_num)
        sales_num = sales_num.split('销量:')[1]
        sales_num = int(sales_num)
        flag_num = sales_num
        if sales_num < 1:
            continue
        
        store_id = item.xpath("./div[@class='row row-3 c']/a[@href]").extract()
        store_id = re.search('id=.*d"',''.join(store_id))
        store_id = store_id.group().replace("id=","")
        store_id = store_id.replace(""","")
        store_id = int(store_id)

        merchant = item.xpath("./div[@id='goods_detail_b']/div[2]/p[2]/text()").extract() # 商家
        merchant = ''.join(merchant)

        main_Products = item.xpath("./div[@id='goods_detail_b']/div[2]/p[3]/text()").extract() # 主营
        main_Products = ''.join(main_Products)

        merchant_Place = item.xpath("./div[@id='goods_detail_b']/div[2]/p[4]/text()").extract() # 地址
        merchant_Place = ''.join(merchant_Place)
    
        product = Product()
        product.product_id = product_id
        product.name = name
        product.price = price
        product.sales_num = sales_num
        product.store_id = store_id
        product.merchant = merchant
        product.main_Products = main_Products
        product.merchant_Place = merchant_Place
        
        existed_name = Product.select().where(Product.product_id==product_id)
        if existed_name:
            product.save()
        else:
            product.save(force_insert=True)
        
    next_page = sel.xpath("//*[@class='pagination2']/a[@href]").extract()
    if len(next_page) > 2 and flag_num > 0:
        url_next = re.search('".*d"',next_page[-1])
        url_next = url_next.group().replace("&amp;","&") # 此处&由于被转义成&amp;导致需要重新进行处理
        url_next = url_next.replace(""","")
        url_next = parse.urljoin(domain,url_next)
        #print(url_next)
        parse_product(url_next)
    else:
        pass

#获取商品链接,上一级url为商品详情页
def parse_data_last(url):
    url_list = []
    store_id_list = []
    flag_num = 0
    #获取商品的详情标签
    res_text = requests.get(url).text
    sel = Selector(text=res_text)
    res_li = sel.xpath("//div[@class='pro_list_div g-clearfix c']/ul//li[@class='goods_offset']")
    for item in res_li:
        sales_num = item.xpath("./div[@id='goods_detail_b']/div[2]/p[1]/text()").extract() # 销售数量
        sales_num= ''.join(sales_num)
        sales_num = sales_num.split('销量:')[1]
        sales_num = int(sales_num)
        flag_num = int(sales_num)

        data = item.xpath("./div[@class='pro_pic_box']/a").extract()
        data = re.search('".*d"',data[0])
        data = data.group().replace("&amp;","&")
        data = data.replace(""","")
        data_url = parse.urljoin(domain,data) # 链接为销量排序之后的单个商品链接,传出链接
        print("开始获取商品:{}".format(data_url))
        store_id = parse_store_data(data_url)
        store_id_list.append(store_id)
        parse_product_data(data_url)
        url_list.append(data_url)

    #此处代码用来切到下一页链接数据,商品的详情排布页
    next_page = sel.xpath("//*[@class='pagination2']/a[@href]").extract()
    if len(next_page) > 2 and flag_num > 0:
        url_next = re.search('".*d"',next_page[-1])
        url_next = url_next.group().replace("&amp;","&") # 此处&由于被转义成&amp;导致需要重新进行处理
        url_next = url_next.replace(""","") 
        url_next = parse.urljoin(domain,url_next)
        parse_data_last(url_next)  

    return url_list ,store_id_list

#获取商品详细数据
def parse_product_data(url):
    #获取商品的详情以及销售数量
    #print(url) # 打印当前商品页的url用来定位
    product_id = url.split('id=')[1] # 对商品id进行切片处理,用来获取ajax数据
    res_text = requests.get(url).text
    sel = Selector(text=res_text)
    #筛选规则,当is_price之后的value属性值为0的时候,说明不需要咨询商家,同时需要注意的是,商品会有打折批次数量的差异导致价格差异,
    #这一点需要根据具体的显示页面来处理,现在忽略,由于可能存在打折段的数据差异,所以暂时不考虑
    Is_price = sel.xpath("//input[contains(@id,'is_price')]").extract()#取到的数据用来判断价格是否需要咨询商家
    print(Is_price)
    if len(Is_price) < 1:
        print("页面数据为空")
    else:    
        is_value = re.search('d',Is_price[0])
        if is_value.group() == '0': # 0表示商品价格不需要咨询商户
            #datas = sel.xpath("//table[contains(@class,'goods_spec_list')]").extract()
            datas = sel.xpath("//div[contains(@class,'show_all')]/table[contains(@class,'goods_spec_list')]//tr")
            #price_base
            price_base = 0.0
            for item in range(len(datas)):
                price = datas[item].xpath("./input[3]").extract()
                price = re.search('value=".*"',price[0])
                price = re.search('d.*d',price[0])
                price = price.group()
                price_base = price_base + float(price)
            price_base = price_base / len(datas) # 商品基准价格计算
            #此处获取商品的描述信息
            attributes_list = sel.xpath("//span[contains(@class,'attributes-list')]//li/text()").extract()
            str_attributes = ' '.join(attributes_list)
            str_attributes = str_attributes.replace("&nbsp;"," ") # 商品信息描述
            #此处发送请求获取商品购买数据
            url_sales = parse.urljoin(domain,'default.php?act=evallist')
            data = {
                'id': product_id,
                'page': '0',
                'info_type': 'sale'
            }
            response = requests.post(url_sales, data=data)
            buyer_num = response.json().get("member") # 购买人数
            sale_num = response.json().get('num') # 销售数量
            buyer_rate = response.json().get('re_buyer_rate') # 商品复购率
            product_id = int(product_id) # 此处对商品ID进行转换

            product_attributes = Product_attributes()
            product_attributes.product_id = product_id
            product_attributes.price_base = price_base
            product_attributes.attributes = str_attributes
            product_attributes.buyer_num = buyer_num
            product_attributes.sale_num = sale_num
            product_attributes.buyer_rate = buyer_rate
            
            existed_id = Product_attributes.select().where(Product_attributes.product_id==product_id)
            if existed_id:
                product_attributes.save()
            else:
                product_attributes.save(force_insert=True)
                
        else :
            price = "价格请咨询商家"

#获取商户详细数据,处理逻辑为根据单个商品目录来获取对应的商户id
def parse_store_data(url):
    #print(url) # 打印当前商品页的url用来定位
    res_text = requests.get(url).text
    sel = Selector(text=res_text)
    store_id = 0
    #筛选规则,当is_price之后的value属性值为0的时候,说明不需要咨询商家,同时需要注意的是,商品会有打折批次数量的差异导致价格差异,
    #这一点需要根据具体的显示页面来处理,现在忽略,由于可能存在打折段的数据差异,所以暂时不考虑
    Is_price = sel.xpath("//input[contains(@id,'is_price')]").extract()#取到的数据用来判断价格是否需要咨询商家
    #print(Is_price)
    if len(Is_price) < 1:
        print("页面数据为空")
    else:    
        is_value = re.search('d',Is_price[0])
        if is_value.group() == '0': # 0表示商品价格不需要咨询商户
            #datas = sel.xpath("//table[contains(@class,'goods_spec_list')]").extract()
            #store_name = sel.xpath('//span[contains(@class,"container_title_span")]/a[@href]/text()').extract()
            #store_name = ''.join(store_name) # 商户的名字

            store_id = sel.xpath('//span[@class="container_title_span"]/a[@href]').extract()
            store_id = ''.join(store_id)
            store_id = re.search('storeid=d*"',store_id)
            store_id = store_id.group()
            store_id = store_id.split('storeid=')[1]
            store_id = store_id.replace(""","")
            #print(store_id)
            store_id = int(store_id) # 商户的id
            '''
            store_data = sel.xpath('//ul[contains(@class,"gy_info_list")]/li/text()').extract()
            if len(store_data) > 3:
                store_level = store_data[2] # 商户等级
                store_level = store_level.replace(" ","")
                store_level = store_level.replace(" ","")
                store_place = store_data[3] # 商户地址
                store_place = store_place.replace(" ","")
            print(store_level)
            print(store_place)
            '''
        else :
            pass
    return store_id

#获取所有商户id
def parse_store_id(url):
    print(url) # 打印当前商户详情页的url用来定位
    store_id_list = []
    res_text = requests.get(url).text
    sel = Selector(text=res_text)
    res_li = sel.xpath("//div[contains(@class ,'corp_list')]//div[@class='supply-list']")
    for item in res_li:
        store_id = item.xpath(".//a[contains(@class,'supply-left-tltle')]").extract()
        store_id = ''.join(store_id)
        store_id = re.search('storeid=d*"',store_id)
        store_id = store_id.group()
        store_id = store_id.split('storeid=')[1]
        store_id = store_id.replace(""","")
        store_id = int(store_id) # 获取店铺id
        store_id_list.append(store_id)
    
    #此处代码用来切到下一页链接数据,商户的详情排布页
    next_page = sel.xpath("//*[@class='pagination2']/a[@href][last()]/text()").extract()
    next_page = ''.join(next_page)
    try:
        next_page = int(next_page)
    except:
        url_next = sel.xpath("//*[@class='pagination2']/a[@href][last()]").extract()
        url_next = ''.join(url_next)
        url_next = re.search('".*d"',url_next)
        url_next = url_next.group().replace("&amp;","&") # 此处&由于被转义成&amp;导致需要重新进行处理
        url_next = url_next.replace(""","") 
        url_next = parse.urljoin(domain,url_next)
        parse_store_id(url_next)      
    return store_id_list 

def get_last_store_id():
    #获取最终需要抓取的店铺id,传回拼接之后的url
    store_id_list = parse_store_id(store_domain)
    pass

if __name__ == "__main__":
    start_time = datetime.now()
    last_urls = get_last_urls()
    end_time = datetime.now()
    '''
    for url in last_urls:
        #parse_product_data(url)
        #print("开始获取商品:{}".format(url))
    '''
   
原文地址:https://www.cnblogs.com/dog-and-cat/p/13278832.html