python實現爬蟲數據存到 MongoDB

在以上兩篇文章中已經介紹到了 Python 爬蟲和 MongoDB ， 那麼下面我就將爬蟲爬下來的數據存到 MongoDB 中去，首先來介紹一下我們將要爬取的網站, readfree 網站，這個網站非常的好，我們只需要每天簽到就可以免費下載三本書，良心網站，下面我就將該網站上的每日推薦書籍爬下來。

利用上面幾篇文章介紹的方法，我們很容易的就可以在網頁的源代碼中尋找到書籍的姓名和書籍作者的信息。

找到之後我們復制 XPath ，然後進行提取即可。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，在寫入數據庫的過程中不要一下子將字典中的數據寫入數據庫，我一開始就這麼寫的，但是我發現數據庫中只有三條信息，其他信息都不見了。所以采用一條一條的寫入。

還有源代碼的開頭部分，對默認編碼的設置一定不可以省略，否則可能會報編碼錯誤（真心感覺 Python 在編碼這方面好容易出錯，尴尬）。

有的人可能發現了，我將提取的信息轉換成了字符串，然後使用 replace() 方法將 \n 去掉了，因為我發現在提取的書籍信息前後存在換行符，看著十分礙眼。

熱情提醒一下，在程序運行的時候別忘記將你的 Mongo DB 運行起來，下來看看結果

好了，就這樣，如果發現代碼哪裡存在錯誤或者說有可以改善的地方，希望留言給我，感謝。