主要语言 python3.7.1,
mysql 8.0+
linux 基操
url = http://wsjs.saic.gov.cn
拿到这个数据的 反爬手段目前只有IP
红色部分为要拿的数据,稍后更新 ,不是太监
以下直接上代码,有注释, 这是单线程单进程跑, 我本机测试了一下.2天才跑2万数据
扫描二维码关注公众号,回复:
2105933 查看本文章
import requests
import logging
import time
import json
import pymysql
import os
log_name = 'sb_spider_log.log'
logging.basicConfig( # 日志输出信息
filename=log_name,
filemode='a',
level=logging.INFO,
datefmt='%Y-%m-%d %A %H:%M:%S')
db = pymysql.connect( # 数据库信息
"127.0.0.1", #数据库地址
"root", #数据库用户名
"root", #数据库密码
"brand", #数据库名称
charset='utf8') #编码 utf8 不是utf-8
def get_proxy(): # 获取代理 我这里是动态代理ip 隐藏隐私信息了.
manager_host = ''
manager_port =
order = ''
while True:
url = 'http://%s:%d/get-proxy-api' % (manager_host, manager_port)
params = {'order': order}
res = requests.get(url, params=params)
if res.status_code == 200 and res.text != '{}':
proxy_config = json.loads(res.text)
proxy_port = proxy_config['proxy']
proxy = {'http': f'{proxy_port}'}
break
else:
time.sleep(1)
print(u'暂无可用代理')
return proxy #返回 代理IP
def post_dg(url, data): # main_spider
session = requests.session() # 日常保险session
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
'Referer': 'http://sbgg.saic.gov.cn:9080/tmann/annInfoView/annSearch.html?annNum=1605',
'Host': 'sbgg.saic.gov.cn:9080',
'Accept': 'application/json, text/javascript, */*; q=0.01',
'Accept-Encoding': 'gzip, deflate',
'Connection': 'keep-alive',
'Origin': 'http://sbgg.saic.gov.cn:9080'} #构造请求头
proxies = get_proxy()
res = session.post(url, headers=headers, data=data, proxies=proxies) #加入参数
res.encoding = 'utf8'
if res.status_code == 200 and res.text != '{}': # 判断页面是否有数据
logging.info('Page crawling succeeded')
print('页面抓取成功')
return res.text #成功返回数据
else:
print('页面无内容')
if '出错啦!' or 'ERROR' in res.text:
print('IP被封,页面ERROR')
logging.info('IP is blocked, Page is ERROR')
def save_to_mysql(url, data): # 储存到mysql
html = post_dg(url, data)
item = json.loads(html)
for x in range(20):
list = item['rows'][x]
ROWstr = ''
for key in list.keys():
ROWstr = (ROWstr + '"%s"' + ',') % (list[key])
sql = f'''INSERT INTO `brand`.`review` (page_no, tm_name, ann_type_code, tmname, reg_name, ann_type, ann_num, reg_num,id,rn,ann_date,regname) VALUES ({ROWstr[:-1]}) '''
cur = db.cursor()
cur.execute(sql)
db.commit()
def main(i=1):
url = 'http://sbgg.saic.gov.cn:9080/tmann/annInfoView/annSearchDG.html'
try:
while True:
data = { # post数据 当前爬取1605页
'page': f'{i}',
'rows': '20',
'annNum': '1605',
'totalYOrN': 'true',
}
save_to_mysql(url, data)
logging.info(
f'Page {i} page 20 data successfully written to the database')
logging.info('``' * 30)
i += 1
except BaseException:
with open('i.txt', 'w') as f: # 创建文件夹保存断点处的网址ID
f.write(str(i))
print('本次爬取中断,中断原因可能为IP被封,现在为您切换Uers-Agent与IP。您也可以手动结束本程序,下次启动时将会从中断处的网址继续爬取。')
logging.info('Replace the agent..........')
proxies = get_proxy() # 随机更换一个代理
print('本次使用代理为:' + str(proxies))
logging.info(
'After the agent is replaced, the agent is' +
str(proxies))
main(i)
if __name__ == '__main__':
if 'i.txt' in os.listdir(
'.'): # 在当前文件夹下寻找i.txt文件,如果有的话,读取里面的值,接着上次发生中断的网址继续爬取
with open('i.txt', 'r') as f:
i = int(f.read())
main(i)
else: # 如果没有,那么默认从第一个网址开始
main()
有疑问评论,
接下来会发布 商标网的多线程爬虫 传送门 商标网多线程爬虫
您的每一个喜欢,评论,与关注都是对博主的最大鼓励与支持,
关注博主,可以分享到最新的知识,解决现有的问题~ 蟹蟹你