SCrapy爬虫大战京东商城

作者: 爱撒谎的男孩 | 来源:发表于2017-04-23 22:21 被阅读218次

    SCrapy爬虫大战京东商城

    引言

    上一篇已经讲过怎样获取链接,怎样获得参数了,详情请看python爬取京东商城普通篇

    代码详解

    • 首先应该构造请求,这里使用scrapy.Request,这个方法默认调用的是start_urls构造请求,如果要改变默认的请求,那么必须重载该方法,这个方法的返回值必须是一个可迭代的对象,一般是用yield返回,代码如下:
        def start_requests(self):
            for i in range(1,101):
                page=i*2-1    #这里是构造请求url的page,表示奇数
                url=self.start_url+str(page)
                yield scrapy.Request(url,meta={'search_page':page+1},callback=self.parse_url)   #这里使用meta想回调函数传入数据,回调函数使用response.meta['search-page']接受数据
    

    下面就是解析网页了,从上面看出这里的解析回调函数是parse_url,因此在此函数中解析网页。这里还是和上面说的一样,这个url得到的仅仅是前一半的信息,如果想要得到后一半的信息还有再次请求,这里还有注意的就是一个技巧:一般先解析出一个数据的数组,不急着取出第一个数,先要用if语句判断,因为如果得到的是[],那么直接取出[0]是会报错的,这只是一个避免报错的方法吧,代码如下:

        def parse_url(self,response):
            if response.status==200:   #判断是否请求成功
                # print response.url
                pids = set()    #这个集合用于过滤和保存得到的id,用于作为后面的ajax请求的url构成
                try:
                    all_goods = response.xpath("//div[@id='J_goodsList']/ul/li")   #首先得到所有衣服的整个框架,然后从中抽取每一个框架
    
                    for goods in all_goods:   #从中解析每一个
                        # scrapy.shell.inspect_response(response,self)   #这是一个调试的方法,这里会直接打开调试模式
                        items = JdSpiderItem()   #定义要抓取的数据
                        img_url_src = goods.xpath("div/div[1]/a/img/@src").extract()  # 如果不存在就是一个空数组[],因此不能在这里取[0]
                        img_url_delay = goods.xpath(
                            "div/div[1]/a/img/@data-lazy-img").extract()  # 这个是没有加载出来的图片,这里不能写上数组取第一个[0]
                        price = goods.xpath("div/div[3]/strong/i/text()").extract()  #价格
                        cloths_name = goods.xpath("div/div[4]/a/em/text()").extract()
                        shop_id = goods.xpath("div/div[7]/@ data-shopid").extract()
                        cloths_url = goods.xpath("div/div[1]/a/@href").extract()
                        person_number = goods.xpath("div/div[5]/strong/a/text()").extract()
                        pid = goods.xpath("@data-pid").extract()
                        # product_id=goods.xpath("@data-sku").extract()
                        if pid:
                            pids.add(pid[0])
                        if img_url_src:  # 如果img_url_src存在
                            print img_url_src[0]
                            items['img_url'] = img_url_src[0]
                        if img_url_delay:  # 如果到了没有加载完成的图片,就取这个url
                            print img_url_delay[0]
                            items['img_url'] = img_url_delay[0]  # 这里如果数组不是空的,就能写了
                        if price:
                            items['price'] = price[0]
                        if cloths_name:
                            items['cloths_name'] = cloths_name[0]
                        if shop_id:
                            items['shop_id'] = shop_id[0]
                            shop_url = "https://mall.jd.com/index-" + str(shop_id[0]) + ".html"
                            items['shop_url'] = shop_url
                        if cloths_url:
                            items['cloths_url'] = cloths_url[0]
                        if person_number:
                            items['person_number'] = person_number[0]
                        # if product_id:
                        #     print "************************************csdjkvjfskvnk***********************"
                        #     print self.comments_url.format(str(product_id[0]),str(self.count))
                        #     yield scrapy.Request(url=self.comments_url.format(str(product_id[0]),str(self.count)),callback=self.comments)
                        #yield scrapy.Request写在这里就是每解析一个键裤子就会调用回调函数一次
                        yield items
                except Exception:
                    print "********************************************ERROR**********************************************************************"
    
                yield scrapy.Request(url=self.search_url.format(str(response.meta['search_page']),",".join(pids)),callback=self.next_half_parse)    #再次请求,这里是请求ajax加载的数据,必须放在这里,因为只有等到得到所有的pid才能构成这个请求,回调函数用于下面的解析
    
    • 从上面代码的最后可以看出最后就是解析ajax加载的网页了,这里调用的next_half_parse函数,和解析前面一个网页一样,这里需要的注意的是,如果前面定义的数据没有搜索完毕是不能使用yield items的,必须将items通过meta传入下一个回调函数继续完善后才能yield items,这里就不需要了,代码如下:
    #分析异步加载的网页
        def next_half_parse(self,response):
            if response.status==200:
                print response.url
                items=JdSpiderItem()
                #scrapy.shell.inspect_response(response,self)    #y用来调试的
                try:
                    lis=response.xpath("//li[@class='gl-item']")
                    for li in lis:
                        cloths_url=li.xpath("div/div[1]/a/@href").extract()
                        img_url_1=li.xpath("div/div[1]/a/img/@src").extract()
                        img_url_2=li.xpath("div/div[1]/a/img/@data-lazy-img").extract()
                        cloths_name=li.xpath("div/div[4]/a/em/text()").extract()
                        price=li.xpath("div/div[3]/strong/i/text()").extract()
                        shop_id=li.xpath("div/div[7]/@data-shopid").extract()
                        person_number=li.xpath("div/div[5]/strong/a/text()").extract()
                        if cloths_url:
                            print cloths_url[0]
                            items['cloths_url']=cloths_url[0]
                        if img_url_1:
                            print img_url_1[0]
                            items['img_url']=img_url_1
                        if img_url_2:
                            print img_url_2[0]
                            items['img_url']=img_url_2[0]
                        if cloths_name:
                            items['cloths_name']=cloths_name[0]
                        if price:
                            items['price']=price[0]
                        if shop_id:
                            items['shop_id']=shop_id[0]
                            items['shop_url']="https://mall.jd.com/index-" + str(shop_id[0]) + ".html"
                        if person_number:
                            items['person_number']=person_number[0]
                        yield items   #又一次的生成,这里是完整的数据,因此可以yield items
                except Exception:
                    print "**************************************************"
    
    • 当然这里还用到了设置请求池,mysql存储,没有使用到ip代理,这个在我前面的博客中又讲到,这里就不再赘述了,想看源代码的朋友请点击这里

    小技巧

    • 人们会抱怨为什么自己的爬虫在中途断开就要重头开始爬,为什么不能从断开那里开始爬呢,这里提供一个方法:在配置文件settings.py中加入JOBDIR=file_name,这里的file_name是一个文件的名字
    • 设置下载延迟防止被ban:DOWNLOAD_DELAY = 2:设置每一次的间隔时间 RANDOMIZE_DOWNLOAD_DELAY = True:这个是随机设置延迟时间 在设置的时间的0.5-1.5倍之间,这样可以更有效的防止被ban,一般是配套使用的
    • ROBOTSTXT_OBEY = False :这里是表示不遵循robots.txt文件,默认是True表示遵循,这里将之改成False
    • CONCURRENT_REQUESTS :设置最大请求数,这里默认的时16,我们可以根据自己电脑的配置改的大一点来加快请求的速度

    更多文章请看本人博客

    相关文章

      网友评论

        本文标题:SCrapy爬虫大战京东商城

        本文链接:https://www.haomeiwen.com/subject/texuzttx.html