北京汽车官网经销商信息抓取(解析html标签)

1、网站地址http://www.baicmotor.com/dealer.php

2、使用firefox查看后发现，此网站的信息未使用json数据，而是简单那的html页面而已

3、使用pyquery库中的PyQuery进行html的解析

　　页面样式：

　　代码：　　

 1  def get_dealer_info(self):
 2         """获取经销商信息"""
 3         css_select = 'html body div.box div.news_wrapper div.main div.news_list div.service_main div table tr '
 4         #使用火狐浏览器中的自动复制css路径得到需要位置数据
 5         page = urllib2.urlopen(self.entry_url).read()
 6         #读取页面
 7         page = page.replace('<br />','&')
 8         page = page.replace('<br/>','&')
 9         #由于页面中的电话信息中使用了br换行，所以在抓取的时候会产生问题
10         #问题是：如果取得一对标签中的数据，中包含<br/>,会出现值得到br之前的数据，而后的数据将得不到，原因个人认为是解析html是会任务/>结尾标准        
11         d = pq(page)
12         #使用PyQuery解析页面，此处pq=PyQuery,因为from pyquery import PyQuery as pq
13         dealer_list = []
14         #创建列表用于提交到存储方法
15         for dealer_div in d(css_select):
16             #此处定位tr，具体数据在此标签中的td标签内
17             p = dealer_div.findall('td')
18             #此处p就是一个tr标签内，全部td数据的集合
19             dealer = {}
20             #此处的字典用于存储一个店铺的信息用于提交到列表中
21             if len(p)==1:
22                 #此处多哥if判断是用于对数据进行处理，因为一些格式不符合最终数据的要求，需要剔除，这个快的代码按需求而定
23                 print '@'
24             elif len(p)==6 :
25                 strp = p[0].text.strip()
26                 dealer[Constant.CITY] = p[1].text.strip()
27                 strc = p[2].text.strip()
28                 
29                 dealer[Constant.PROVINCE] = p[0].text.strip()
30                 dealer[Constant.CITY] = p[1].text.strip()
31                 dealer[Constant.NAME] = p[2].text.strip()
32                 dealer[Constant.ADDRESSTYPE] = p[3].text.strip()
33                 dealer[Constant.ADDRESS] = p[4].text.strip()
34                 dealer[Constant.TELPHONE] = p[5].text.strip()
35                 dealer_list.append(dealer)  
36             elif len(p)==5:
37                 if p[0].text.strip() != u'省份':
38                     dealer[Constant.PROVINCE] = strp
39                     dealer[Constant.CITY] = p[0].text.strip()
40                     dealer[Constant.NAME] = p[1].text.strip()
41                     dealer[Constant.ADDRESSTYPE] = p[2].text.strip()
42                     dealer[Constant.ADDRESS] = p[3].text.strip()
43                     dealer[Constant.TELPHONE] = p[4].text.strip()
44                     dealer_list.append(dealer)
45             elif len(p)==3:
46                 print '@@'
47         print '@@@'
48         self.saver.add(dealer_list)
49         self.saver.commit()

4、最终代码执行成功，得到了相应数据并存入excel中