在以上兩篇文章中已經(jīng)介紹到了 Python 爬蟲(chóng)和 MongoDB ， 那么下面我就將爬蟲(chóng)爬下來(lái)的數(shù)據(jù)存到 MongoDB 中去，首先來(lái)介紹一下我們將要爬取的網(wǎng)站, readfree 網(wǎng)站，這個(gè)網(wǎng)站非常的好，我們只需要每天簽到就可以免費(fèi)下載三本書(shū)，良心網(wǎng)站，下面我就將該網(wǎng)站上的每日推薦書(shū)籍爬下來(lái)。
利用上面幾篇文章介紹的方法，我們很容易的就可以在網(wǎng)頁(yè)的源代碼中尋找到書(shū)籍的姓名和書(shū)籍作者的信息。
找到之后我們復(fù)制 XPath ，然后進(jìn)行提取即可。源代碼如下所示
# coding=utf-8
import re
import requests
from lxml import etree
import pymongo
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
def getpages(url, total):
nowpage = int(re.search('(\d+)', url, re.S).group(1))
urls = []
for i in range(nowpage, total + 1):
link = re.sub('(\d+)', '%s' % i, url, re.S)
urls.append(link)
return urls
def spider(url):
html = requests.get(url)
selector = etree.HTML(html.text)
book_name = selector.xpath('//*[@id="container"]/ul/li//div/div[2]/a/text()')
book_author = selector.xpath('//*[@id="container"]/ul/li//div/div[2]/div/a/text()')
saveinfo(book_name, book_author)
def saveinfo(book_name, book_author):
connection = pymongo.MongoClient()
BookDB = connection.BookDB
BookTable = BookDB.books
length = len(book_name)
for i in range(0, length):
books = {}
books['name'] = str(book_name[i]).replace('\n','')
books['author'] = str(book_author[i]).replace('\n','')
BookTable.insert_one(books)
if __name__ == '__main__':
url = 'http://readfree.me/shuffle/?page=1'
urls = getpages(url,3)
for each in urls:
spider(each)
注意，在寫入數(shù)據(jù)庫(kù)的過(guò)程中不要一下子將字典中的數(shù)據(jù)寫入數(shù)據(jù)庫(kù)，我一開(kāi)始就這么寫的，但是我發(fā)現(xiàn)數(shù)據(jù)庫(kù)中只有三條信息，其他信息都不見(jiàn)了。所以采用一條一條的寫入。
還有源代碼的開(kāi)頭部分，對(duì)默認(rèn)編碼的設(shè)置一定不可以省略，否則可能會(huì)報(bào)編碼錯(cuò)誤（真心感覺(jué) Python 在編碼這方面好容易出錯(cuò)，尷尬）。
有的人可能發(fā)現(xiàn)了，我將提取的信息轉(zhuǎn)換成了字符串，然后使用 replace() 方法將 \n 去掉了，因?yàn)槲野l(fā)現(xiàn)在提取的書(shū)籍信息前后存在換行符，看著十分礙眼。
熱情提醒一下，在程序運(yùn)行的時(shí)候別忘記將你的 Mongo DB 運(yùn)行起來(lái)，下來(lái)看看結(jié)果
好了，就這樣，如果發(fā)現(xiàn)代碼哪里存在錯(cuò)誤或者說(shuō)有可以改善的地方，希望留言給我，感謝。
您可能感興趣的文章:- python爬蟲(chóng)數(shù)據(jù)保存到mongoDB的實(shí)例方法
