中国化工网数据采集需求与采集难度相对来说是比较简单的。需求是将化工产品的详情页面保存下来,不需要提取字段。
首先,我们根据需求来分析下采集实现步骤:
1. 找到入口页面:http://cheman.chemnet.com/dict/zd_more.html,在入口页面将“化工CAS号”对应的链接加入任务队列
2. 在“化工CAS号”页面,将每个化工产品的详情页链接加入任务队列
3. 处理化工产品详情页,将其保存到数据库中
分析完页面提取步骤后,下来就开始着手编写采集程序了。
打开页面的源码,发现页面的编码为“gb2312”,所以,采集程序文件编码设置为“# coding: GBK”
刚才分析需求的时候,估计了下采集数据量,在这里我就用多线程进行采集了。
需要引入的模块有以下几个:
下来定义主方法,scraper(), 然后指定数据库信息。
然后定义线程函数,在线程函数里,根据任务url的区别分别进行页面信息的处理。列表页要提取需要的链接加入任务队列,详情页就要保存数据到数据库。
好了,到了这里,程序的主要功能已经实现了,下来我们单独加一个详情页的任务到队列里面,运行程序后,查一下在数据库里是否已经保存了页面数据。
加入任务:
tasks = deque(['http://cheman.chemnet.com/dict/dict--80-48-8--1.html'])
运行程序:python chemnet.py
查询数据库是否保存了数据:
db.chemnet_data.find({'url': 'http://cheman.chemnet.com/dict/dict--80-48-8--1.html'})
结果如下,是有页面数据的。
领取专属 10元无门槛券
私享最新 技术干货