作者 | 梦想橡皮擦   责编 | 丁恩华

来源 | 来自 CSDN 博客

又到每年的 2 月 14 日了，最近这几天，你肯定会在博客上看到，程序员花式秀恩爱，但橡皮擦就不一样了，正在帮别人选婚纱照拍摄地。

当你 new 出来的对象问你，“北京在哪拍婚纱照便宜又好呀？” 你啪啪啪把数据展示出来，绝对可以赢得你的小可爱那爱恋的眼神。

写在前面

挖掘目的已经确定，下面就是挖掘代码编写的时间了，作为年轻人，好好秀恩爱吧，苦差事就交给我们这些过来人。

这次咱们的目标网站是：https://www.jiehun.com.cn/，遥想当年橡皮擦的婚纱照还是在婚博会上订的呢~

这个组织在每年春夏秋冬四季在北京、上海、广州、天津、武汉、杭州、成都等地同时举办大型结婚展。

目标页面长成下面这个样子。

我们要抓取的就是上面商铺的各种信息，包含商铺名，商铺地址，评星，点评数，价格。

数据抓取过程

在做正式抓取之前，可以先编写一个 demo，对数据进行简单的抓取与解析，具体实现可以参照下文。

其中用到了 XPath 解析，该网站如果不使用 UA 参数，无法获取到数据，也算是一种最简单的反爬手段吧。

def demo():
    headers = {
        "user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36"}
    url = f"https://www.jiehun.com.cn/beijing/ch2065/store-p13/?ce=beijing"
    content = r.get(url, headers=headers).text
    html = etree.HTML(content)
    li_list = html.xpath("//div[@id='stlist']/ul/li")
    for li in li_list:
        # 发现评分
        star = li.xpath("./div[@class='comment']/p[1]/b/text()")
        comment = "--"
        if star:
            # 评星
            star = star[0]
            comment = li.xpath("./div[@class='comment']/p[2]/a/text()")
            # 评论
            comment = comment[0]
        else:
            star = "--"


        # 店铺名称
        name = li.xpath(".//a[@class='namelimit']/text()")[0]
        # 地址
        store = li.xpath(
            ".//div[@class='storename']/following-sibling::p[1]/text()")[0]
        # 价钱
        price = li.xpath(
            ".//div[@class='storename']/following-sibling::p[2]/span[1]/text()")
        if price:
            price = li.xpath(
                ".//div[@class='storename']/following-sibling::p[2]/span[1]/text()")[0]
        else:
            price = "--"
        item = {
            "name": name,
            "store": store,
            "price": price,
            "star": star,
            "comment": comment
        }
        print(item)


        with open("hun.json", "ab+") as filename:
            filename.write(json.dumps(
                item, ensure_ascii=False).encode("utf-8") + b"\n")

获取到的数据存储格式如下，以 JSON 格式存储，读取的时候每次读取一行即可。

{"name": "9Xi·婚纱摄影", "store": "商家地址：北京市朝阳区朝外大街丙10号9Xi结婚汇购物中心", "price": "¥4999", "star": "--", "comment": "--"}
{"name": "非目环球旅拍", "store": "商家地址：杭州市滨江区非目影像(总店)", "price": "¥19800", "star": "--", "comment": "--"}
{"name": "小白工作室(私人会所)", "store": "商家地址：朝阳北路天鹅湾北区7号楼二单元502(朝阳大悦城对面)", "price": "--", "star": "--", "comment": "--"}
{"name": "朵美婚拍", "store": "商家地址：北京市朝阳区广渠门外大街8号优士阁A座大堂底商", "price": "¥2999", "star": "--", "comment": "--"}
{"name": "柏悦时尚艺术馆", "store": "商家地址：立汤路186号龙德广场四层F420A", "price": "--", "star": "--", "comment": "--"}

当测试数据抓取到之后，就可以对全北京的商铺（其他地区的修改对应地址即可）进行批量抓取了，本次数据量虽然不大，但是橡皮擦依旧为你贴心的准备了多线程爬虫（唉~没那么容易学习到爬虫技术）。

以下是完整代码部分，就为了你能获取到最全的数据，一次性的把代码都提供给你了，你的手指可以放在点赞按钮上，为橡皮擦点赞了。

import threading
import requests as r
from queue import Queue
import time
from lxml import etree
import json


CRAWL_EXIT = False
PARSE_EXIT = False




class ThreadCrawl(threading.Thread):
    def __init__(self, thread_name, page_queue, data_queue):
        super(ThreadCrawl, self).__init__()


        self.thread_name = thread_name
        self.page_queue = page_queue
        self.data_queue = data_queue
        self.headers = {
            "user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36"}


    def run(self):
        print("启动", self.thread_name)
        while not CRAWL_EXIT:
            try:
                #
                page = self.page_queue.get(False)
                url = f"https://www.jiehun.com.cn/beijing/ch2065/store-p{page}/?ce=beijing"


                content = r.get(url, headers=self.headers).text
                time.sleep(1)


                self.data_queue.put(content)


            except Exception as e:
                print(e)


        print("结束", self.thread_name)




class ThreadParse(threading.Thread):
    def __init__(self, thread_name, data_queue, filename, lock):
        super(ThreadParse, self).__init__()
        self.thread_name = thread_name
        self.data_queue = data_queue
        self.filename = filename
        self.lock = lock


    def run(self):
        print("启动", self.thread_name)
        while not PARSE_EXIT:
            try:
                html = self.data_queue.get(False)


                self.parse(html)


            except Exception as e:
                print(e)
        print("结束", self.thread_name)


    def parse(self, html):
        html = etree.HTML(html)


        li_list = html.xpath("//div[@id='stlist']/ul/li")
        for li in li_list:
            # 发现评分
            star = li.xpath("./div[@class='comment']/p[1]/b/text()")
            comment = "--"
            if star:
                # 评星
                star = star[0]
                comment = li.xpath("./div[@class='comment']/p[2]/a/text()")
                # 评论
                comment = comment[0]
            else:
                star = "--"


            # 店铺名称
            name = li.xpath(".//a[@class='namelimit']/text()")[0]
            # 地址
            store = li.xpath(
                ".//div[@class='storename']/following-sibling::p[1]/text()")[0]
            # 价钱
            price = li.xpath(
                ".//div[@class='storename']/following-sibling::p[2]/span[1]/text()")
            if price:
                price = li.xpath(
                    ".//div[@class='storename']/following-sibling::p[2]/span[1]/text()")[0]
            else:
                price = "--"


            item = {
                "name": name,
                "store": store,
                "price": price,
                "star": star,
                "comment": comment
            }


            with self.lock:
                self.filename.write(json.dumps(
                    item, ensure_ascii=False).encode("utf-8") + b"\n")




def main():
    # 页码
    page_queue = Queue(14)
    for i in range(1, 15):
        page_queue.put(i)


    # 数据挖掘结果
    data_queue = Queue()
    filename = open("hun.json", "ab+")


    # 锁
    lock = threading.Lock()


    # 三个挖掘线程
    crawl_list = ["挖掘线程1", "挖掘线程2", "挖掘线程3"]


    threadcrawl = []
    for thread_name in crawl_list:
        thread = ThreadCrawl(thread_name, page_queue, data_queue)
        thread.start()
        threadcrawl.append(thread)


    # 三个解析线程
    parse_list = ["解析线程1", "解析线程2", "解析线程3"]
    threadparse = []
    for thread_name in parse_list:
        thread = ThreadParse(thread_name, data_queue, filename, lock)
        thread.start()
        threadparse.append(thread)


    # 等待 page_queue 队列为空
    while not page_queue.empty():
        pass


    global CRAWL_EXIT
    CRAWL_EXIT = True


    print("page_queue为空")
    for thread in threadcrawl:
        thread.join()
        print("挖掘队列执行完毕")




    while not data_queue.empty():
        pass
    global PARSE_EXIT
    PARSE_EXIT = True


    for thread in threadparse:
        thread.join()
        print("解析队列执行完毕")


    with lock:
        filename.close()

本次数据获取，为了不让你那么容易就找到哪个商铺价钱便宜，我专门存储成了 JSON 格式，排序的工作就交给你自己来完成了。毕竟你不能有女朋友的同时，一点力也不出吧。

看图选照

你以为这样工作就做完了吗？当然没有，除了价格以外，咱们 new 出来的对象还需要看图选呢，至少要看看谁家拍摄技术高，更符合自己的调调。

接下来，再爬取一个：目标地址

该网站页面数据如下：

要抓取的就是这几千张婚纱摄影照片~

该操作我将其分解成了两个步骤：

• 第一个步骤批量采集图片详情页的地址；

• 第二步针对详情页地址，获取图片。

核心部分代码修改如下：

抓取超链接部分，修改 XPath 解析地址即可。

def demo():
    headers = {
        "user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36"}
    url = f"https://www.jiehun.com.cn/beijing/ch2065/album-p461/?attr_110=&cate_id=2065&ce=beijing"
    content = r.get(url, headers=headers).text
    html = etree.HTML(content)
    a_list = html.xpath("//div[@class='rectangle_list']/ul/li/a/@href")


    for a in a_list:
        with open("album_link.json", "a+") as filename:
            filename.write(f"https://www.jiehun.com.cn/{a}\n")

短暂运行一段时间后，得到超链接数据如下：

https://www.jiehun.com.cn//album/730704/https://www.jiehun.com.cn//album/730703/https://www.jiehun.com.cn//album/730702/https://www.jiehun.com.cn//album/730701/https://www.jiehun.com.cn//album/730700/https://www.jiehun.com.cn//album/730699/https://www.jiehun.com.cn//album/730698/https://www.jiehun.com.cn//album/730697/https://www.jiehun.com.cn//album/730696/https://www.jiehun.com.cn//album/730695/https://www.jiehun.com.cn//album/730694/https://www.jiehun.com.cn//album/730693/https://www.jiehun.com.cn//album/730679/
图片抓取，利用 album_link.json 中存储的链接地址，解析对应页面中的 img 标签。
读取 album_link.json 中的数据，生成待抓取链接。
def read_file():    page_queue = Queue()    for f in open("album_link.json","r"):        print(f.strip())        page_queue.put(f)
    print(page_queue.qsize())

提取对应 URL 中的图片地址，并保存。

def demo():
    headers = {
        "user-agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.96 Safari/537.36"}
    url = f"https://www.jiehun.com.cn/album/730698/"
    content = r.get(url, headers=headers).text
    html = etree.HTML(content)
    title = html.xpath("//div[@class='detailintro_l']/h2/text()")[0]
    img_list = html.xpath("//div[@class='img']/img/@src")


    for index,img_url in enumerate(img_list):
        content = r.get(img_url, headers=headers).content
        with open(f"./imgs/{title}-{index}.jpg", "wb+") as filename:
            filename.write(content)

编写好完整的代码之后，等着照片存储到本地，就可以给对象一张张的看了，看到好的，在查一下是哪个摄影店，去拍摄就好了。

代码运行一会，就 600+ 照片了，因为硬盘比较小，剩下的大家自己爬取吧

其实是被那一张张狂撒狗粮的照片，喂饱了~，ε=(´ο ｀*))) 唉，那一张张 KISS 照片，一直在给橡皮擦暴击。

☞女朋友的一个建议，这位程序员创立仅 551 天公司就被 10 亿美元收购了☞抽成 30% 的苹果税是良心价？谷歌也学“坏”了☞“面向对象就是一个错误！”☞回溯 Rust 2020：正在成为最受欢迎的编程语言