python實(shí)現(xiàn)爬蟲數(shù)據(jù)存到 MongoDB

2020-10-29 18:48:42

字體：大中小

供稿：網(wǎng)友

在以上兩篇文章中已經(jīng)介紹到了 Python 爬蟲和 MongoDB ，那么下面我就將爬蟲爬下來的數(shù)據(jù)存到 MongoDB 中去，首先來介紹一下我們將要爬取的網(wǎng)站, readfree 網(wǎng)站，這個(gè)網(wǎng)站非常的好，我們只需要每天簽到就可以免費(fèi)下載三本書，良心網(wǎng)站，下面我就將該網(wǎng)站上的每日推薦書籍爬下來。

利用上面幾篇文章介紹的方法，我們很容易的就可以在網(wǎng)頁(yè)的源代碼中尋找到書籍的姓名和書籍作者的信息。

找到之后我們復(fù)制 XPath ，然后進(jìn)行提取即可。源代碼如下所示

# coding=utf-8import reimport requestsfrom lxml import etreeimport pymongoimport sysreload(sys)sys.setdefaultencoding('utf-8')def getpages(url, total):  nowpage = int(re.search('(/d+)', url, re.S).group(1))  urls = []  for i in range(nowpage, total + 1):    link = re.sub('(/d+)', '%s' % i, url, re.S)    urls.append(link)  return urlsdef spider(url):  html = requests.get(url)  selector = etree.HTML(html.text)  book_name = selector.xpath('//*[@id="container"]/ul/li//div/div[2]/a/text()')  book_author = selector.xpath('//*[@id="container"]/ul/li//div/div[2]/div/a/text()')  saveinfo(book_name, book_author)def saveinfo(book_name, book_author):  connection = pymongo.MongoClient()  BookDB = connection.BookDB  BookTable = BookDB.books  length = len(book_name)  for i in range(0, length):    books = {}    books['name'] = str(book_name[i]).replace('/n','')    books['author'] = str(book_author[i]).replace('/n','')    BookTable.insert_one(books)if __name__ == '__main__':  url = 'http://readfree.me/shuffle/?page=1'  urls = getpages(url,3)  for each in urls:    spider(each)

注意，在寫入數(shù)據(jù)庫(kù)的過程中不要一下子將字典中的數(shù)據(jù)寫入數(shù)據(jù)庫(kù)，我一開始就這么寫的，但是我發(fā)現(xiàn)數(shù)據(jù)庫(kù)中只有三條信息，其他信息都不見了。所以采用一條一條的寫入。

還有源代碼的開頭部分，對(duì)默認(rèn)編碼的設(shè)置一定不可以省略，否則可能會(huì)報(bào)編碼錯(cuò)誤（真心感覺 Python 在編碼這方面好容易出錯(cuò)，尷尬）。

有的人可能發(fā)現(xiàn)了，我將提取的信息轉(zhuǎn)換成了字符串，然后使用 replace() 方法將 /n 去掉了，因?yàn)槲野l(fā)現(xiàn)在提取的書籍信息前后存在換行符，看著十分礙眼。

熱情提醒一下，在程序運(yùn)行的時(shí)候別忘記將你的 Mongo DB 運(yùn)行起來，下來看看結(jié)果