bs4爬虫实战二:获取双色球中奖信息

发布时间:2018-07-02 11:32:57编辑:Run阅读(4548)

    目标分析:

    访问双色球网站:http://www.zhcw.com/ssq/kaijiangshuju/index.shtml?type=0


    blob.png


    右键查看源代码,发现这个框架的数据来源于:

    http://kaijiang.zhcw.com/zhcw/html/ssq/list_1.html

    blob.png


    点击下一页,可以看到url地址变成了

    http://kaijiang.zhcw.com/zhcw/html/ssq/list_2.html

    再次点击下一页,可以看到url地址变成了

    http://kaijiang.zhcw.com/zhcw/html/ssq/list_3.html


    那么URL的变化已经很明显了,在看看具体内容的获取方式,右键查看代码:

    blob.png



    爬虫遇到这种表格形式的数据,是最方便的,因为他们有固定的标签,可以很方便地获取数据,在写爬虫时,只需要先将<tr>标签挑选出来,然后再到其中过滤数据就可以了


    项目实施:

    新建一个get_caipiao.py文件,代码如下:

    #!/usr/bin/env python
    # coding: utf-8
    from bs4 import BeautifulSoup
    import urllib.request
    from mylog import MyLog as mylog
    import re
    import time
    
    
    class CaiPiaoItem(object):
        lottery_date = None  # 开奖日期
        lssue = None   # 期号
        red1 = None  # 第一个红色球号码
        red2 = None  # 第二个红色球号码
        red3 = None  # 第三个红色球号码
        red4 = None  # 第四个红色球号码
        red5 = None  # 第五个红色球号码
        red6 = None  # 第六个红色球号码
        blue = None  # 蓝色球号码
        money = None  # 销售额
        firstprize = None  # 一等奖人数
        secondprize = None  # 二等奖人数
    
    
    class GetCaiPiao(object):
        def __init__(self):
            self.urls = []
            self.filename = '双色球.txt'
            self.log = mylog()
            self.geturls()
            self.items = self.spider(self.urls)
            self.pipelines(self.items)
    
        def geturls(self):
            # 初始url地址
            url = 'http://kaijiang.zhcw.com/zhcw/html/ssq/list_1.html'
            htmlcontent = self.getresponsecontent(url)
            soup = BeautifulSoup(htmlcontent, 'lxml')
            # 获取最后一个p标签
            tag = soup.find_all(re.compile('p'))[-1]
            # 取出总页数---115
            pages = tag.strong.get_text()
            for i in range(1, int(pages)+1):
                # 拼接每一页的url地址
                url = r'http://kaijiang.zhcw.com/zhcw/html/ssq/list_' + str(i) + '.html'
                self.urls.append(url)  # 把每个url地址添加到urls列表
                self.log.info(u'添加URL:{}到URLS\r\n'.format(url))  # 记录日志
    
            with open(self.filename, 'w', encoding='utf-8') as f: 
                f.write("开奖日期   期号\t红1 红2 红3 红4 红5 红6 蓝7\t销售额\t1等奖人数\t二等奖人数\n")
    
        def spider(self, urls):
            items = []
            for url in urls:
                htmlcontent = self.getresponsecontent(url)
                soup = BeautifulSoup(htmlcontent, 'lxml')
                tags = soup.find_all('tr', attrs={})
                for tag in tags:
                    if tag.find('em'):
                        item = CaiPiaoItem()  # 实例化CaiPiaoItem类
                        tagtd = tag.find_all('td')
                        item.lottery_date = tagtd[0].get_text()  # 获取开奖日期
                        item.lssue = tagtd[1].get_text()  # 期号
                        itemEM = tagtd[2].find_all('em')  # 获取所有的em标签
                        item.red1 = itemEM[0].get_text()  # 获取第一个红球的号码
                        item.red2 = itemEM[1].get_text()  # 获取第二个红球的号码
                        item.red3 = itemEM[2].get_text()  # 获取第三个红球的号码
                        item.red4 = itemEM[3].get_text()  # 获取第四个红球的号码
                        item.red5 = itemEM[4].get_text()  # 获取第五个红球的号码
                        item.red6 = itemEM[5].get_text()  # 获取第六个红球的号码
                        item.blue = itemEM[6].get_text()  # 获取蓝球的号码
                        item.money = tagtd[3].find('strong').get_text()  # 获取销售额
                        item.firstprize = tagtd[4].find('strong').get_text()  # 获取一等奖中奖人数
                        item.secondprize = tagtd[5].find('strong').get_text()  # 获取二等奖中奖人数
                        items.append(item)  # 把item对象添加到items列表
                        self.log.info(u'获取日期为:{}的数据成功'.format(item.lottery_date))  # 记录日志
            return items  # 返回items列表
    
        def pipelines(self, items):
            with open(self.filename, 'a', encoding='utf-8') as f:
                for item in items:
                    f.write('{} {}\t{} {} {} {} {} {} {}\t{}\t{}\t{}\n'.\
                            format(item.lottery_date, item.lssue, item.red1, item.red2, item.red3, item.red4,\
                                   item.red5, item.red6, item.blue,item.money,item.firstprize,item.secondprize))
                    self.log.info('将日期为:{}的数据存入{}'.format(item.lottery_date, self.filename))
    
        def getresponsecontent(self, url):
            try:
                response = urllib.request.urlopen(url)
                html = response.read().decode('utf-8')
            except Exception as e:
                self.log.error(u'Python 返回 url:{} 数据失败\n错误代码:{}\n'.format(url, e))
            else:
                self.log.info(u'Python 返回 url:{} 数据成功\n'.format(url))
                time.sleep(1)  # 1秒返回一个结果  手动设置延迟防止被封
                return html
    
    
    if __name__ == '__main__':
        st = GetCaiPiao()


    新建一个mylog.py日志文件,代码如下:

    import logging
    import getpass
    import sys
    
    
    # 定义MyLog类
    class MyLog(object):
        def __init__(self):
            self.user = getpass.getuser()  # 获取用户
            self.logger = logging.getLogger(self.user)
            self.logger.setLevel(logging.DEBUG)
    
            # 日志文件名
            self.logfile = sys.argv[0][0:-3] + '.log'  # 动态获取调用文件的名字
            self.formatter = logging.Formatter('%(asctime)-12s %(levelname)-8s %(message)-12s\r\n')
    
            # 日志显示到屏幕上并输出到日志文件内
            self.logHand = logging.FileHandler(self.logfile, encoding='utf-8')
            self.logHand.setFormatter(self.formatter)
            self.logHand.setLevel(logging.DEBUG)
    
            self.logHandSt = logging.StreamHandler()
            self.logHandSt.setFormatter(self.formatter)
            self.logHandSt.setLevel(logging.DEBUG)
    
            self.logger.addHandler(self.logHand)
            self.logger.addHandler(self.logHandSt)
    
        # 日志的5个级别对应以下的5个函数
        def debug(self, msg):
            self.logger.debug(msg)
    
        def info(self, msg):
            self.logger.info(msg)
    
        def warn(self, msg):
            self.logger.warn(msg)
    
        def error(self, msg):
            self.logger.error(msg)
    
        def critical(self, msg):
            self.logger.critical(msg)
    
    
    if __name__ == '__main__':
        mylog = MyLog()
        mylog.debug(u"I'm debug 中文测试")
        mylog.info(u"I'm info 中文测试")
        mylog.warn(u"I'm warn 中文测试")
        mylog.error(u"I'm error 中文测试")
        mylog.critical(u"I'm critical 中文测试")


    运行主程序,get_caipiao.py

    pycharm截图

    blob.png


    get_caipiao.log文件截图

    blob.png


    双色球.txt截图

    blob.png


    由于写入的是txt文件,不好对齐,后面会写用excel存文件.


    代码分析:

    mylog.py模块,主要是为程序提供log功能

    log功能很重要,在大量爬取的时候,没有log帮助定位,很难找到错误点


    主程序:

    CaiPiaoItem类定义需要获取的数据

    GetCaiPiao类为主程序

    geturls方法 获取所有需要爬取的url地址

    spider方法 提取每个url地址的详细内容(过滤数据)

    pipelines方法 处理数据,数据的存储方式,这里使用的txt

    getresponsecontent方法 负责发送请求,拿到响应文件(html)


关键字