Python爬虫实战（一）：翻页爬取数据存入SqlServer

前言

小袁开始实习了，我主管让我练一下爬虫，公司是做商标大数据的，所以这次爬取的是商标网站，之后也会更新一些爬虫教程（美女图片之类的劳逸结合你们懂得！！！）

点赞收藏博主更有创作动力哟，以后常更！！！

爬取目标

我们要爬取的网页是：http://www.mp.cc/search/1?category=25

网站主页如下：

1）第一页有39个商标展示，每一个都需要进入网页获取详细信息（未截图完）

红色框就是要爬取的内容

2）一共91页

给你们看看我爬取完的效果，保存在SqlServer中：

爬取的内容是：商标名、商标价格、商标编号、所属类别、专用期限、类似群组、注册范围、商标图片地址

准备工作

我用的是python3.8，VScode编辑器，所需的库有：requests、etree、pymssql

开头导入所需用到的导入的库：

import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为Elements对象
import pymssql # 连接SqlServer的库

建表：

CREATE TABLE "test5" (
	"title" NVARCHAR(MAX),
	"price" NVARCHAR(MAX),
	"number" NVARCHAR(MAX),
	"category" NVARCHAR(MAX),
	"term" NVARCHAR(MAX),
	"groups" NVARCHAR(MAX),
	"Range" NVARCHAR(MAX),
	"img" NVARCHAR(MAX)
)

为防止，字段给的不够，直接给个MAX！

代码分析

直接上完整代码，再逐步分析！

import requests # python基础爬虫库
from lxml import etree # 可以将网页转换为
import pymssql # 连接SqlServer的库
import time

class TrademarkSpider:
    def __init__(self) :
        self.baseurl = "http://www.mp.cc/search/%s?category=25"
        self.headers = {
    
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36"}
    
    # 发送请求，获取相应 
    def parse_url(self,url):
        response = requests.get(url,headers=self.headers)
        time.sleep(2)
        return response.content.decode()

    # 获取第一页中39个详情页地址
    def get_content_list(self,html_str):
        html = etree.HTML(html_str)
        div_list = html.xpath("//div[@class='item_wrapper']") # 根据div分组
        
        item = {
    
    }
        
        for div in div_list:
            
            item["href"]= div.xpath("//a[@class='img-container']/@href")
        
        # 拼接网页
        for i in range(39):
            item["href"][i] = 'http://www.mp.cc%s' % item["href"][i]

        for value in item.values():
            content_list = value

        print(content_list)

        return content_list

    # 获取39个详情页信息
    def get_information(self,content_list):
        
        information = []
        
        for i in range(len(content_list)):
            details_url = content_list[i]

            html_str = self.parse_url(details_url)

            html = etree.HTML(html_str)
            div_list = html.xpath("//div[@class='d_top']") # 根据div分组
            
            item = []
            
            for div in div_list:
                
                title = div.xpath("///div[@class='d_top_rt_right']/text()")
                price = div.xpath("//div[@class='text price2box']/span[2]/text()")
                number = div.xpath("//div[@class='text'][1]/text()")
                category = div.xpath("//div[@class='text'][2]/span[@class='cate']/text()")
                term = div.xpath("//div[@class='text'][3]/text()")
                groups = div.xpath("//div[@class='text'][4]/text()")
                Range = div.xpath("//div[@class='text'][5]/text()")
                img = div.xpath("//img[@class='img_logo']/@src")
                
                title = ' '.join(title).replace('\n', '').replace('\r', '').replace(' ','')
                price = ' '.join(price)
                number = ' '.join(number).replace('\n', '').replace('\r', '').replace(' ','')
                category = ' '.join(category)
                term = ' '.join(term).replace('\n', '').replace('\r', '').replace(' ','')
                groups = ' '.join(groups).replace('\n', '').replace('\r', '').replace(' ','')
                Range = ' '.join(Range).replace('\n', '').replace('\r', '').replace(' ','')
                img = ' '.join(img)

            item.append(title)
            item.append(price)
            item.append(number)
            item.append(category)
            item.append(term)
            item.append(groups)
            item.append(Range)
            item.append(img)
                
            item = tuple(item)

            information.append(item)
            
        #print(information)
        return information

        
    def insert_sqlserver(self, information):
        # 连接本地数据库服务,创建游标对象
        db = pymssql.connect('.', 'sa', 'yuan427', 'test') #服务器名,账户,密码,数据库名
        if db:
            print("连接成功!")    
        cursor= db.cursor()
        
        try:
            # 插入sql语句
            sql = "insert into test6 (title,price,number,category,term,groups,Range,img) values (%s,%s,%s,%s,%s,%s,%s,%s)"

            # 执行插入操作
            cursor.executemany(sql,information)
            db.commit()

            print('成功载入......' )
            
        except Exception as e:
            db.rollback()
            print(str(e))
             
        # 关闭游标，断开数据库
        cursor.close()
        db.close()
      
    # 实现主要逻辑    
    def run(self):
        
        # 6.实现主页翻页(1,92)
        for i in range(1,92):
            # 1.构造主页地址
            url = self.baseurl % i
            x = 0
            while x<1:
                # 2.发送请求，获取相应
                html_str = self.parse_url(url)
                # 3.获取第一页中39个详情页地址
                content_list= self.get_content_list(html_str) 
                # 4.获取39个详情页信息
                information = self.get_information(content_list)
                # 5.入库
                self.insert_sqlserver(information)
                
                x += 1
            


if __name__ == "__main__": 
    trademarkSpider = TrademarkSpider()
    trademarkSpider.run()

先讲讲我的整体思路再逐步解释：

• 第一步：构造主页的URL地址
• 第二步：发送请求，获取响应
• 第三步：获取第一页中39个详情页地址
• 第四步：获取39个详情页信息
• 第五步：存入SqlServer数据库
• 第六步：实现主页翻页（1-91页）

第一步

我们先手动翻页，1-3页：

http://www.mp.cc/search/1?category=25
http://www.mp.cc/search/2?category=25
http://www.mp.cc/search/3?category=25

可以看出来，网址只有中间一个数据在逐步递增，所以就可以构造主页地址，代码如下：

for i in range(1,92):
	# 1.构造主页地址
	url = self.baseurl % i 

这里做了字符串拼接，baseurl在 __init__(self)中：

self.baseurl = "http://www.mp.cc/search/%s?category=25" #通过%s传数字进入

第二步

发送请求，获取响应，代码如下：

def __init__(self) :
	self.baseurl = "http://www.mp.cc/search/%s?category=25"
	self.headers = {
    
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36"}
    
# 发送请求，获取相应 
def parse_url(self,url):
	response = requests.get(url,headers=self.headers)
	return response.content.decode() #返回网页代码，我们就在这里面提取数据

这会就有小伙伴不明白了，你headers什么意思啊？

• 防止服务器把我们认出来是爬虫，所以模拟浏览器头部信息，向服务器发送消息
• 这个 “装” 肯定必须是要装的！！！
  

第三步

获取第一页中39个详情页地址，代码如下：

def get_content_list(self,html_str):
	html = etree.HTML(html_str)
	div_list = html.xpath("//div[@class='item_wrapper']") # 根据div分组
	
	item = {
    
    }
	# 获取网页（只有半截，如：/brand/detail/36003501）
	for div in div_list:
	    item["href"]= div.xpath("//a[@class='img-container']/@href")
	# 拼接网页
	for i in range(39):
	    item["href"][i] = 'http://www.mp.cc%s' % item["href"][i]
	#遍历字典存入列表
	for value in item.values():
	    content_list = value
	
	print(content_list)
	
	return content_list

1）我们先把获取到的主页代码转换为Elements对象，就和网页中的一样，如下图：html = etree.HTML(html_str)

2）写Xpath根据div分组：div_list = html.xpath("//div[@class='item_wrapper']")

如图可以看出每个商标的详情地址都在<div class="item_wrapper">中

3）提取地址

item = {
    
    }
        
for div in div_list:
	item["href"]= div.xpath("//a[@class='img-container']/@href")    
# 拼接网页
for i in range(39):
	item["href"][i] = 'http://www.mp.cc%s' % item["href"][i]
#遍历字典存入列表
for value in item.values():
	content_list = value

4）效果如下：

['http://www.mp.cc/brand/detail/36449901', 'http://www.mp.cc/brand/detail/26298802', 'http://www.mp.cc/brand/detail/22048146', 'http://www.mp.cc/brand/detail/4159836', 'http://www.mp.cc/brand/detail/9603914', 'http://www.mp.cc/brand/detail/4156243', 'http://www.mp.cc/brand/detail/36575014', 'http://www.mp.cc/brand/detail/39965756', 'http://www.mp.cc/brand/detail/36594259', 'http://www.mp.cc/brand/detail/37941094', 'http://www.mp.cc/brand/detail/38162960', 'http://www.mp.cc/brand/detail/38500643', 'http://www.mp.cc/brand/detail/38025192', 'http://www.mp.cc/brand/detail/37755982', 'http://www.mp.cc/brand/detail/37153272', 'http://www.mp.cc/brand/detail/35335841', 'http://www.mp.cc/brand/detail/36003501', 'http://www.mp.cc/brand/detail/27794101', 'http://www.mp.cc/brand/detail/26400645', 'http://www.mp.cc/brand/detail/25687631', 'http://www.mp.cc/brand/detail/25592319', 
'http://www.mp.cc/brand/detail/25593974', 'http://www.mp.cc/brand/detail/24397124', 'http://www.mp.cc/brand/detail/23793395', 'http://www.mp.cc/brand/detail/38517219', 'http://www.mp.cc/brand/detail/36921312', 'http://www.mp.cc/brand/detail/6545326_6545324', 'http://www.mp.cc/brand/detail/8281719', 'http://www.mp.cc/brand/detail/4040639', 'http://www.mp.cc/brand/detail/42819737', 'http://www.mp.cc/brand/detail/40922772', 'http://www.mp.cc/brand/detail/41085317', 'http://www.mp.cc/brand/detail/40122971', 'http://www.mp.cc/brand/detail/39200273', 'http://www.mp.cc/brand/detail/38870472', 'http://www.mp.cc/brand/detail/38037836', 'http://www.mp.cc/brand/detail/37387087', 'http://www.mp.cc/brand/detail/36656221', 'http://www.mp.cc/brand/detail/25858042']

因为我们获取的详情页地址只有半截，所以在做一个拼接！

可能这里有小伙伴要问了为什么你要先存入字典再存列表呢？？？

可以自己试试如果直接存列表，所有的地址全部都挤在一起了，没法拼接！！！

第四步

分别进行39个详情页，并获取信息，代码如下：

# 获取39个详情页信息
def get_information(self,content_list):
    
    information = []
    
    for i in range(len(content_list)):
        details_url = content_list[i]

        html_str = self.parse_url(details_url)

        html = etree.HTML(html_str)
        div_list = html.xpath("//div[@class='d_top']") # 根据div分组
        
        item = []
        
        for div in div_list:
            
            title = div.xpath("///div[@class='d_top_rt_right']/text()")
            price = div.xpath("//div[@class='text price2box']/span[2]/text()")
            number = div.xpath("//div[@class='text'][1]/text()")
            category = div.xpath("//div[@class='text'][2]/span[@class='cate']/text()")
            term = div.xpath("//div[@class='text'][3]/text()")
            groups = div.xpath("//div[@class='text'][4]/text()")
            Range = div.xpath("//div[@class='text'][5]/text()")
            img = div.xpath("//img[@class='img_logo']/@src")
            
            title = ' '.join(title).replace('\n', '').replace('\r', '').replace(' ','')
            price = ' '.join(price)
            number = ' '.join(number).replace('\n', '').replace('\r', '').replace(' ','')
            category = ' '.join(category)
            term = ' '.join(term).replace('\n', '').replace('\r', '').replace(' ','')
            groups = ' '.join(groups).replace('\n', '').replace('\r', '').replace(' ','')
            Range = ' '.join(Range).replace('\n', '').replace('\r', '').replace(' ','')
            img = ' '.join(img)

        item.append(title)
        item.append(price)
        item.append(number)
        item.append(category)
        item.append(term)
        item.append(groups)
        item.append(Range)
        item.append(img)
            
        item = tuple(item)

        information.append(item)
        
    #print(information)
    return information

1）根据content_list长度遍历（分别获取详情页地址），并调用parse_url方法获取网页源码

for i in range(len(content_list)):
	details_url = content_list[i]
	html_str = self.parse_url(details_url)

2）根据div分组并获取数据

 html = etree.HTML(html_str)
	div_list = html.xpath("//div[@class='d_top']") # 根据div分组
	
	item = []
	
	for div in div_list:  
	    title = div.xpath("///div[@class='d_top_rt_right']/text()")
	    price = div.xpath("//div[@class='text price2box']/span[2]/text()")
	    number = div.xpath("//div[@class='text'][1]/text()")
	    category = div.xpath("//div[@class='text'][2]/span[@class='cate']/text()")
	    term = div.xpath("//div[@class='text'][3]/text()")
	    groups = div.xpath("//div[@class='text'][4]/text()")
	    Range = div.xpath("//div[@class='text'][5]/text()")
	    img = div.xpath("//img[@class='img_logo']/@src")

• 好了又要小伙伴要问了XPath怎么写？，这里我用的是XPath Helper工具，就是下图那个黑框可以帮我们写Xpath定位元素，有需要的我可以写个安装使用教程
  

4）因为个别数据有空格换行符所以要先去掉，如图：

title = ' '.join(title).replace('\n', '').replace('\r', '').replace(' ','')
price = ' '.join(price)
number = ' '.join(number).replace('\n', '').replace('\r', '').replace(' ','')
category = ' '.join(category)
term = ' '.join(term).replace('\n', '').replace('\r', '').replace(' ','')
groups = ' '.join(groups).replace('\n', '').replace('\r', '').replace(' ','')
Range = ' '.join(Range).replace('\n', '').replace('\r', '').replace(' ','')
img = ' '.join(img)

第五步

把数据存入数据库，需要注意的是服务器名,账户,密码,数据库名和SQL语句中的表名！

def insert_sqlserver(self, information):
	# 连接本地数据库服务,创建游标对象
	db = pymssql.connect('.', 'sa', 'yuan427', 'test') #服务器名,账户,密码,数据库名
	if db:
	    print("连接成功!")    
	cursor= db.cursor()
	
	try:
	    # 插入sql语句
	    sql = "insert into test6 (title,price,number,category,term,groups,Range,img) values (%s,%s,%s,%s,%s,%s,%s,%s)"
	
	    # 执行插入操作
	    cursor.executemany(sql,information)
	    db.commit()
	
	    print('成功载入......' )
	    
	except Exception as e:
	    db.rollback()
	    print(str(e))
	     
	# 关闭游标，断开数据库
	cursor.close()
	db.close()

第六步

循环以上五步，按页数实现翻页

 # 实现主要逻辑    
def run(self):
    
    # 6.实现主页翻页(1,92)
    for i in range(1,92):
        # 1.构造主页地址
        url = self.baseurl % i
        x = 0
        while x<1:
            # 2.发送请求，获取相应
            html_str = self.parse_url(url)
            # 3.获取第一页中39个详情页地址
            content_list= self.get_content_list(html_str) 
            # 4.获取39个详情页信息
            information = self.get_information(content_list)
            # 5.入库
            self.insert_sqlserver(information)
            
            x += 1

最后：启动

if __name__ == "__main__": 
    trademarkSpider = TrademarkSpider()
    trademarkSpider.run()

打开数据库看看是不是我们想要的结果：

O了O了！！！

这也是我第一次写爬虫实战，有讲的不对的地方，希望各位大佬指正！！！，如果有不明白的地方评论区留言回复！兄弟们来个点赞有空就更新爬虫实战！！！