更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

当前位置: 首页 > 技术文章 >
如何完整抓取大众点评网数据
发布时间:2011-11-04 来源:原创 浏览:

>>> 大众点评网最新完整数据 点击查看 <<<

大众点评网 的列表页最多只能看到前50页(也就是前750条数据,如下图所示)http://www.dianping.com/search/category/17/10/g786

 

 
 
 
因此直接从第二级进入抓取所有的列表页无法获取到所有数据。
 
经过分析发现按照下面的步骤大体上可以抓取到所有的数据:
 
1)进入二级分类的列表页,如下图所示。
 
 
2)如果当前分类下的数据条数大于750,则再依次进入左侧的行政区列表页,行政区这一级的列表条数一般都很少,不会超过750条,如下图所示。
 
 
如果当前分类下的数据条数不超过750,直接抓取所有的列表页即可。
 
 
部分参考代码:
 
if '/shop/' not in url:
            total_num = get_count(html)
            if total_num > 750:
                # more than 750 records, need going to subcats
                subcats_html = xpath.get(html, '//ul[@class="navBlock navTab-cont navTab-cont-on"]/li/ul/li/ul') or xpath.get(html, '//div[@class="asideContainer"]/ul[2]/li[2]/ul/li[2]/ul')
                if subcats_html:
                    for link in xpath.search(subcats_html, '/li/a/@href'):
                        link = urljoin(url, link)
                        if link not in found:
                            found.add(link)
                            urls.append(link)
            else:
                # get all list pages
                for link in xpath.search(html, '//div[@class="Pages"]/a/@href'):
                    link = urljoin(url, link)
                    if link not in found:
                        found.add(link)
                        urls.append(link)
               
                # get all items in this page
                for link in xpath.search(html, '//div[@id="searchList"]/dl/dd//li[@class="shopname"]/a/@href'):
                    link = urljoin(url, link)
                    if link not in found:
                        found.add(link)
                        urls.append(link)
return urls
特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。现在改用国产的友言。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。