盖得化工----requests/bs4---采集二级网址

Python爬虫视频教程零基础小白到scrapy爬虫高手-轻松入门

https://item.taobao.com/item.htm?spm=a1z38n.10677092.0.0.482434a6EmUbbW&id=564564604865

# -*- coding: utf-8 -*-
"""
Created on Mon May  9 09:14:32 2016

@author: Administrator
"""
import requests,bs4,csv,time,selenium,random
from selenium import webdriver
from selenium.webdriver.common.keys import Keys

site_hubei="http://china.guidechem.com/suppliers/list_catid-21_area-%E6%B9%96%E5%8C%97"
pages_hubei=31
#所有公司的链接网址_存储列表
list_corporation_link=[]

def Get_sites(site,pages):
    list_pages=[]
    for page in range(1,pages+1):
        thePage=site+"-"+"p"+str(page)+".html"
        list_pages.append(thePage)
    
    return list_pages
    
#采集一页所有公司的二级网址
def Get_secondLinks(pageSite):
    res=requests.get(pageSite)
    soup=bs4.BeautifulSoup(res.text,"lxml")
    linkElems=soup.select(".dblue")
    secondLinks=[i.get("href") for i in linkElems]
    
    return secondLinks
    
#了正确格式写入网页到csv，  row内容添加一个索引号
#'http://show.guidechem.com/hbsthcsales/'处理为[1,'http://show.guidechem.com/hbsthcsales/']
def List_process(list1):
    len_list1=len(list1)
    list2=[]
    for i in range(len_list1):
        content=(i+1,list1[i])
        list2.append(content)
    return list2    
    
    
#把一页内容写入csv文档 ,list_tableContent为二维列表[[a],[b],[c]]
def Write_table_to_csv(fileName,list_tableContent):
    #对列表格式修改，字符串写入的格式不对
    file=open(fileName,'w',newline='')
    writer1=csv.writer(file)
    writer1.writerows(list_tableContent)
    file.close()         
    
    
#构造所有湖北页面网址    
list_pages_hubei=Get_sites(site_hubei,pages_hubei)
#首页
firstPage=list_pages_hubei[0]

#获取所有二级网址，先测试前十，所有页数：len(list_pages_hubei)
#正常语句for i in range(len(list_pages_hubei))：
for i in range(20,len(list_pages_hubei)):
    pageSite=list_pages_hubei[i]
    secondLinks=Get_secondLinks(pageSite)
    secondLinks1=List_process(secondLinks)
    fileName=str(i+1)+".csv"
    Write_table_to_csv(fileName,secondLinks1)
    list_corporation_link.append(secondLinks1)
    time.sleep(random.randint(5,10))

　　

成功采下来，但网站有反爬虫设置，翻页时间要延长

更换ip就搞定了，但有一个网址采集失败，延长时间10-15秒翻页更准确