老友(研发岗)被裁后，想加盟小吃店，我用Python采集了一点数据，多少是个心意

朋友公司不景气，被裁员了，为了安慰他，我让擦哥爬取了一些小吃加盟项目。

阅读本篇博客你将收获

• Python 技术的提升；
• requests 库和 lxml 库的熟悉度增加；
• 小吃加盟数据，没准用得上。

3158 网加盟小吃数据抓取

目标数据源分析

本次的目标数据源为 3158 加盟网，没写文章前，橡皮擦就没想到还真有专门宣传加盟的网站！

目标数据源地址如下：

https://www.3158.cn/xiangmu/canyin/

本篇博客将要涉及的知识点

1. requests 抓取网页数据；
2. xpath 熟悉度练习，lxml 格式化提取
3. csv 文件存储，3 行代码版

数据来源分析

目标数据分页格式如下，简单的规则，并且总页数可直接在网页看到，省去了判断数据是否爬取完毕的逻辑。

https://www.3158.cn/xiangmu/canyin/?pt=all&page=1
https://www.3158.cn/xiangmu/canyin/?pt=all&page=2
https://www.3158.cn/xiangmu/canyin/?pt=all&page=3

https://www.3158.cn/xiangmu/canyin/?pt=all&page=n

静态网页直接使用 requests 抓取即可，本案例的重点依旧在 lxml 提取，为了防止爬取过程中断，可以先将网页数据批量存储到本地。

抓取代码如下

import requests
from lxml import etree
import time
import re
import random

USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "其它 UserAgent 自己选择"
]


def run(url, index):
    try:
        headers = {"User-Agent": random.choice(USER_AGENTS)}
        res = requests.get(url=url, headers=headers)
        res.encoding = "utf-8"
        html = res.text
        with open(f"./html/{index}.html", "w+", encoding="utf-8") as f:
            f.write(html)
    except Exception as e:
        print(e)


if __name__ == '__main__':

    for i in range(1, 130):
        print(f"正在爬取第{i}页数据")
        run(f"https://www.3158.cn/xiangmu/canyin/?pt=all&page={i}", i)

    print("全部爬取完毕")

运行上述代码前，需要在代码目录创建 html 文件夹，用于存储静态网页，最终该文件夹下形成下图内容，表示页面抓取完毕。

数据提取时间

本次提取依旧使用 lxml 库，更多内容可在官方站点持续学习，地址为 https://lxml.de/tutorial.html 。

在上一步骤中，已经将网页保存到本地，后续围绕这 129 个HTML文件处理即可。

打开上图中任意 HTML 页面，出现如下效果，对数据对比之后发现，页面布局存在下图所示的差异。

数据提取完毕，才发现，其实可以忽略这个差异。

基于上图对数据规则进行设置，目标数据包含：

• 加盟店名称
• 投资金额
• 所在地
• 行业
• 标签（如数据存在）
• 详情页地址

为了后续爬取方面，将详情页地址也进行提取，以上内容就是目标数据最终的格式。

在数据源存在差异的情况下，直接检查 HTML 源代码，寻找页面出现差异性的原因。

li 标签存在差异化，对其进行特殊处理即可。

提取代码如下所示，相关说明已经添加在注释

import requests
from lxml import etree
import time
import re
import random

# 列表转换为字符串
def list_str(my_list):
    return ",".join(my_list)


def get_data():
    for i in range(1, 130):
        with open(f"./html/{i}.html", "r", encoding="utf-8") as f:
            html = f.read()
            element = etree.HTML(html)
            # contains 函数 获取包含 xxx 的元素，类似的还有 starts-with,ends-with,last
            origin_li = element.xpath("//ul[contains(@class,'xm-list')]/li")
            # 循环抓取 li 内部数据
            for item in origin_li:

                # 提取加盟名称
                # title = item.xpath(".//div[@class='r']/h4/text()")[0]
                title = item.xpath("./div[@class='top']/a/@title")[0]
                # 提取超链接
                detail_link = "http://" + item.xpath("./div[@class='top']/a/@href")[0]

                # 提取特殊标签
                special_tag = list_str(item.xpath("./@class"))
                # 当包含特殊标签 xm-list2 时，使用不同的提取规则

                if special_tag != "xm-list2":
                    # 提取标签
                    tags = list_str(item.xpath(".//div[@class='bot']/span[@class='label']/text()"))
                    # 提取投资价格
                    price = list_str(item.xpath(".//div[@class='bot']/span[@class='money']/b/text()"))
                    # 地址和行业
                    city_industry = list_str(item.xpath("./div[@class='bot']/p/span/text()"))

                    long_str = f"{title},{detail_link}, {tags}, {price}, {city_industry}"
                    save(long_str)
                else:
                    # 地址和行业
                    city_industry = list_str(item.xpath(
                        "./div[@class='top']/a/div/p[2]/span/text()"))
                    long_str = f"{title},{detail_link}, {0}, {0}, {city_industry}"
                    save(long_str)


def save(long_str):
    try:
        with open(f"./jiameng.csv", "a+", encoding="utf-8") as f:
            f.write("\n"+long_str)
    except Exception as e:
        print(e)


if __name__ == '__main__':

    # for i in range(1, 130):
    #     print(f"正在爬取第{i}页数据")
    #     run(f"https://www.3158.cn/xiangmu/canyin/?pt=all&page={i}", i)

    get_data()

    print("全部提取完毕")

上述代码首先通过 element.xpath("//ul[contains(@class,'xm-list')]/li") 提取 HTML 中的 li 标签，然后遍历提取的 li 数据，进行内部提取。

提取过程中，发现 title 与 detail_link，即标题与详情页的提取代码一致，其它数据通过判断 li 标签的 class 否含有 xm-list2 进行判断，整体代码如上所示。

在使用 lxml 的过程中，最常用的为路径表达式，即 // 从根目录提取， .// 从当前节点的根目录提取，./ 从当前节点提取。

代码中还用到了 contains 函数，在本案例中该函数用于判断属性值中是否包含某个字符串，例如上文代码中提取 ul 标签，正是此函数的应用，在提取所有 li的过程中，需要提前匹配 ul，该标签在 HTML 中属性如下所示，使用 contains 可以进行部分匹配。

在代码后半部分，存在一个 XPath 匹配规则 city_industry = list_str(item.xpath("./div[@class='top']/a/div/p[2]/span/text()")) ，注意其中出现的 p[2] ，该代码表示选取第二个 p 标签。