中国化工网数据采集

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。