记录使用jQuery和Python抓取采集数据的一个实例

从现成的网站上抓取汽车品牌，型号，车系的数据库记录。

先看成果，大概4w条车款记录

一共建了四张表，分别存储品牌，车系，车型和车款

大概过程：

使用jQuery获取页面中呈现的大批内容

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。

使用Python获取页面中的内容

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]&currentPageNo=[#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)        

因为这个脚本的执行时间会很长，我是放到自己的vps上，将该脚本另存为car.py

然后在linux命令行里执行 nohup ./car.py &

这样保证防止断网退出执行，同时将该任务放到后台。