Python爬虫入门教程 22-100 CSDN学院课程数据抓取

1. CSDN学院课程数据-写在前面

今天又要抓取一个网站了，选择恐惧症使得我不知道该拿谁下手，找来找去，算了，还是抓取CSDN学院吧，CSDN学院的网站为 https://edu.csdn.net/courses 我看了一下这个网址，课程数量也不是很多，大概有 6000+ 门课程，数据量不大，用单线程其实就能很快的爬取完毕，不过为了秒爬，我还是选用了一个异步数据操作。

2. CSDN学院课程数据-分析页码

还是需要好好的分析一下页码规律

https://edu.csdn.net/courses/p2 https://edu.csdn.net/courses/p3 https://edu.csdn.net/courses/p4 ... ... https://edu.csdn.net/courses/p271

页码还是非常有规律的，直接编写代码就可以快速的爬取下来。出于人文关怀，我还是把协程数限制在3，要不顺发271个请求还是有点攻击的性质了。这样不好，不符合我们的精神。

import asyncio import aiohttp from lxml import etree sema = asyncio.Semaphore(3) async def get_html(url): headers = { "user-agent": "自己找个UA即可" } ''' 本文来自 梦想橡皮擦 的博客 地址为： https://blog.csdn.net/hihell 可以任意转载，但是希望给我留个版权。 ''' print("正在操作{}".format(url)) async with aiohttp.ClientSession() as s: try: async with s.get(url, headers=headers, timeout=3) as res: if res.status==200: html = await res.text() html = etree.HTML(html) get_content(html) # 解析网页 print("数据{}插入完毕".format(url)) except Exception as e: print(e) print(html) time.sleep(1) print("休息一下") await get_html(url) async def x_get_html(url): with(await sema): await get_html(url) if __name__ == '__main__': url_format = "https://edu.csdn.net/courses/p{}" urls = [url_format.format(index) for index in range(1, 272)] loop = asyncio.get_event_loop() tasks = [x_get_html(url) for url in urls] request = loop.run_until_complete(asyncio.wait(tasks)) 3. CSDN学院课程数据-解析网页函数

网页下载到了之后，需要进行二次处理，然后才可以把他放入到mongodb中，我们只需要使用lxml库即可

def get_content(html): course_item = html.xpath("//div[@class='course_item']") data = [] for item in course_item: link = item.xpath("./a/@href")[0] # 获取课程详情的链接，方便我们后面抓取 tags = item.xpath(".//div[@class='titleInfor']/span[@class='tags']/text()") # 获取标签 title = item.xpath(".//div[@class='titleInfor']/span[@class='title']/text()")[0] # 获取标题 num = item.xpath(".//p[@class='subinfo']/span/text()")[0] # 学习人数 subinfo = item.xpath(".//p[@class='subinfo']/text()")[1].strip() # 作者 price = item.xpath(".//p[contains(@class,'priceinfo')]/i/text()")[0].strip() # 作者 data.append({ "title":title, "link":link, "tags":tags, "num":num, "subinfo":subinfo, "price":price }) collection.insert_many(data) 4. CSDN学院课程数据-数据存储

数据保存到mongodb中，完成。