python爬取返利网中值得买中的数据(v1单线程，非scrapy框架)

医生猎人

　　先使用以前的方法将返利网的数据爬取下来，scrapy框架还不熟练，明日再战scrapy
　　查找目标数据使用的是beautifulsoup模块。
　　1.观察网页，寻找规律
　　打开值得买这块内容
　　1>分析数据来源
　　网页上的数据分为一打开页面就存在的数据（源代码中可以看到的数据），
　　还有随着鼠标滑动，动态加载的数据（源代码中不显示的数据）。
　　2>查找规律
　　加载到最底端后，网页上面一共有50条相关数据，查看源代码，发现只有5条数据的源代码，剩下的数据全部是
　　动态加载出来的。分析这些动态数据：
　　F12打开Network这部分，刷新页面，鼠标不往下滑动时，并没有出现我们需要的后面的数据，随着鼠标滑动，
　　发现两个可能存有数据的项，发现只有ajaxGetItem...这个是我们所需要的，使用filter过滤一下。
　　
　　过滤后发现如下规律：
　　
　　 1-2是第6-10条，1-3是第11-15条......
　　
　　其他页也是这个规律，发现第二页中page参数那部分page=0-2,是从0打头的，我换成page=2-2后没有影响
　　所以规律就是把page部分换成对应的页数就好了。
　　2.代码
　　找到规律后，就可以写代码了。由于使用的是单线程，所以爬数据得到猴年马月了，太坑了，惭愧，以后慢慢再改进。
　　知识还是掌握的太少了，接触到scrapy后，觉得自己对爬虫这部分知道的仍然是冰山一角，什么深度广度，
　　分布式等等都接触不深，感觉自己太low了，长路漫漫漫，还有觉得scrapy好强，虽然好多用法都不造





1 # encoding=utf-8
2 import urllib2
3 from bs4 import BeautifulSoup
4 import time
5 # 返利网值得买页面的源代码中只包含5条数据，
6 # 其他的数据是动态加载的，每个页面包含50条数据
7
8 class FanLi():
9     def __init__(self):
10         self.user_agent='Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
11         self.headers={'User-Agent':self.user_agent}
12     def get_url(self):
13
14         list_url=[]
15         for i in range(1,760):
16             # 可内容直接获取的url1
17            url1='http://zhide.fanli.com/p'+str(i)
18            list_url.append(url1)
19            for j in range(2,11):
20                url2='http://zhide.fanli.com/index/ajaxGetItem?cat_id=0&tag=&page='+str(i)+'-'+str(j)+'&area=0&tag_id=0&shop_id=0'
21                list_url.append(url2)
22         return list_url
23     def getHtml(self,url):
24         # url='http://zhide.fanli.com/p'+str(pageIndex)
25         try:
26             request=urllib2.Request(url,headers=self.headers)
27             response=urllib2.urlopen(request)
28             html=response.read()
29             return html
30         except urllib2.URLError,e:
31             if hasattr(e,'reason'):
32                 print u"连接失败",e.reason
33                 return  None
34     def parse(self):
35         urls=self.get_url()
36         i=0
37         # with open('zhide.txt',a) as f:
38         #     f.write()
39         for url in urls:
40             i=i+1
41             html=self.getHtml(url)
42             soup=BeautifulSoup(html,'html.parser')
43             divs=soup.find_all('div',class_='zdm-list-item J-item-wrap item-no-expired')
44
45             # for item in divs[0]:
46             #     print 'item'+str(item)
47
48             for div in divs:
49                 con_list=[]
50                 # 商品名称
51                 title=div.find('h4').get_text()
52                 # 分类
53                 item_type=div.find('div',class_='item-type').a.string
54                 # 推荐人
55                 item_user=div.find('div',class_='item-user').string
56                 # 内容
57                 item_cont=div.find('div',class_='item-content').get_text(strip=True)
58                 # 值得买人数
59                 type_yes=div.find('a',attrs={'data-type':'yes'}).string
60                 # 不值得买人数
61                 type_no=div.find('a',attrs={'data-type':'no'}).string
62                 con_list.append(title)
63                 con_list.append(item_type)
64                 con_list.append(item_user)
65                 con_list.append(item_cont)
66                 con_list.append(type_yes)
67                 con_list.append(type_no)
68
69
70                 f=open('zhide.txt','a')
71                 for item in con_list:
72                     f.write(item.encode('utf-8')+'|')
73                 f.write('\n')
74                 f.close()
75             print 'sleeping   loading %d'%i
76             time.sleep(3)
77
78
79
80
81 zhide=FanLi()
82 zhide.parse()
View Code　　 各种不足之处，还望各位大神指正。