爬取静态网站信息公司名称以及电话

爬虫需求：

需要爬取的网站 目标网站

爬取内容：需要爬取网站的公司名称以及电话

公司名称在列表页
联系方式在详情页

该网站有6000多条信息

1.考虑到网站信息太多，不能使用简单的爬虫请求页面，需要考虑到单个ip无法满足要求，网站访问次数过多，会被网站反爬机制封ip
2.单个程序请求页面，还要解析，单线程太慢

爬虫思路解析

事先导入需要用的模块

import random
import requests
from lxml import etree
from concurrent.futures import ProcessPoolExecutor, ThreadPoolExecutor
import time

1.封装函数获取网站所有页码

def get_pageurl(start, page_len, url):
    """
    :param start: 起止页码
    :param page_len: 页码个数
    :param url: 网站模板url
    :return: 
    """
    print('****************开始获取取页面URL****************')
    i = start
    j = 0
    url_list = []
    while j <= page_len:
    #网站页码规律 模板url http://shop.jc001.cn/r1-231/?p=
    # j为页码数   url_full= 'http://shop.jc001.cn/r1-231/?p=' +页码数
        url_full = url + str(i)
        url_list.append(url_full)
        i += 1
        j += 1
    else:
        print('****************已爬取页面URL****************')
        return url_list

2.通过获取页面的url去解析获取每一个详情页的url

def get_allurls(url_list):
    print('****************开始爬取商家页面URL****************')
    # 集合用来存储不重复的所有详情页的url
    all_urls = set()
    count = 0
    for page_url in url_list:
        page_text = requests.get(url=page_url, headers=header,
                                 proxies={"http": random.choice(proxy_ip)}).text
        tree = etree.HTML(page_text)
        #解析每个页面所包含的详情页的url
        a_list = tree.xpath('/html/body/div[8]/div[2]/div[2]/table/tbody/tr/td[1]/a/@href')
        for a in a_list:
            # a = "http:" + a
            all_urls.add(a)
            count += 1
    print('****************已爬取 %s 家商家页面URL****************' % count)
    return all_urls

3.网站详情页请求以及解析

首先网站详情页6000多张 ，不可能网站一张张的去请求，这样花费时间非常多，而且由于ip的访问频率限制，在请求的时候还需要设置请求间隔，以防单个ip请求速度过快导致ip被封，所以这里需要用到多线程

3.1详情页请求函数

这里注意一点，一定要使用异常模块，想一想发生异常就要抛出一面红看着就难受，所以这里使用异常模块，单个线程执行速度很快
time.sleep(0.5) random.choice(proxy_ip) 都是是为了防止单个ip每秒内访问服务器次数太多导致ip不可用。

def get_page(detail_url):
    time.sleep(0.5)
    try:
        response = requests.get(detail_url, headers=header, proxies={"http": random.choice(proxy_ip)}, timeout=5).text
    except Exception as e:
        response = ' '
    return {'url': detail_url, 'text': response}

3.2详情页解析函数（解析需要内容，并存储）

def parase_page(res):
    # parse_page拿到的是一个future对象obj，需要用obj.result()拿到结果
    res = res.result()
    page_text = res.get('text')
    try:
        if page_text:
            tree = etree.HTML(page_text)
            name = tree.xpath('/html/body/div[2]/div[1]/div[1]/div/h3/a/text()')[0]
            num = tree.xpath('//div[@class="cnt line"]/table//tr[3]/td//text()')[0].strip('\xa0')
            with open('xiaogan.txt', 'a', encoding='utf-8') as f:
                f.write('%s|%s\n' % (name, num))
    except Exception as e:
        print(e)

3.3详情页解析总函数

def get_information(all_urls):
    print('****************开始爬取所有公司名称电话****************')
    #线性池  15个线程同时执行
    p = ThreadPoolExecutor(15)
    for detail_url in all_urls:
    #add_done_callback(parase_page) 回调函数 执行完请求就回调解析模块
        p.submit(get_page,detail_url).add_done_callback(parase_page)

UA伪装以及代理IP

代理ip是在快代理上购买的私密ip

#UA伪装
header = {
    "user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
    'Connection': 'close',
    "Accept-Encoding": "Gzip",
}
#代理ip
#proxy_ip是一个包含30个代理ip的列表
api_url = "http://dps.kdlapi.com/api/getdps/?orderid=958623468831485&num=30&pt=1&format=json&sep=1"
proxy_ip = requests.get(api_url).json()['data']['proxy_list']

调用函数开始执行

url = "http://shop.jc001.cn/r1-239/?p="
url_list = get_pageurl(1,49, url)
all_urls = get_allurls(url_list)
print(all_urls)
get_information(all_urls)

最终结果

上面程序是运行一次可以爬取1000条资料，运行速度也很快，15线程同时运行


从代理ip网站后台可以看到程序的响应数很高