python爬蟲(chóng)框架scrapy實(shí)戰(zhàn)之爬取京東商城進(jìn)階篇
前言
之前的一篇文章已經(jīng)講過(guò)怎樣獲取鏈接,怎樣獲得參數(shù)了,詳情請(qǐng)看python爬取京東商城普通篇,本文將詳細(xì)介紹利用python爬蟲(chóng)框架scrapy如何爬取京東商城,下面話不多說(shuō)了,來(lái)看看詳細(xì)的介紹吧。
代碼詳解
1、首先應(yīng)該構(gòu)造請(qǐng)求,這里使用scrapy.Request,這個(gè)方法默認(rèn)調(diào)用的是start_urls構(gòu)造請(qǐng)求,如果要改變默認(rèn)的請(qǐng)求,那么必須重載該方法,這個(gè)方法的返回值必須是一個(gè)可迭代的對(duì)象,一般是用yield返回。
代碼如下:
def start_requests(self):
for i in range(1,101):
page=i*2-1 #這里是構(gòu)造請(qǐng)求url的page,表示奇數(shù)
url=self.start_url+str(page)
yield scrapy.Request(url,meta={'search_page':page+1},callback=self.parse_url) #這里使用meta想回調(diào)函數(shù)傳入數(shù)據(jù),回調(diào)函數(shù)使用response.meta['search-page']接受數(shù)據(jù)
下面就是解析網(wǎng)頁(yè)了,從上面看出這里的解析回調(diào)函數(shù)是parse_url,因此在此函數(shù)中解析網(wǎng)頁(yè)。這里還是和上面說(shuō)的一樣,這個(gè)url得到的僅僅是前一半的信息,如果想要得到后一半的信息還有再次請(qǐng)求,這里還有注意的就是一個(gè)技巧:一般先解析出一個(gè)數(shù)據(jù)的數(shù)組,不急著取出第一個(gè)數(shù),先要用if語(yǔ)句判斷,因?yàn)槿绻玫降氖荹],那么直接取出[0]是會(huì)報(bào)錯(cuò)的,這只是一個(gè)避免報(bào)錯(cuò)的方法吧。
代碼如下:
def parse_url(self,response):
if response.status==200: #判斷是否請(qǐng)求成功
# print response.url
pids = set() #這個(gè)集合用于過(guò)濾和保存得到的id,用于作為后面的ajax請(qǐng)求的url構(gòu)成
try:
all_goods = response.xpath("http://div[@id='J_goodsList']/ul/li") #首先得到所有衣服的整個(gè)框架,然后從中抽取每一個(gè)框架
for goods in all_goods: #從中解析每一個(gè)
# scrapy.shell.inspect_response(response,self) #這是一個(gè)調(diào)試的方法,這里會(huì)直接打開(kāi)調(diào)試模式
items = JdSpiderItem() #定義要抓取的數(shù)據(jù)
img_url_src = goods.xpath("div/div[1]/a/img/@src").extract() # 如果不存在就是一個(gè)空數(shù)組[],因此不能在這里取[0]
img_url_delay = goods.xpath(
"div/div[1]/a/img/@data-lazy-img").extract() # 這個(gè)是沒(méi)有加載出來(lái)的圖片,這里不能寫上數(shù)組取第一個(gè)[0]
price = goods.xpath("div/div[3]/strong/i/text()").extract() #價(jià)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: # 如果到了沒(méi)有加載完成的圖片,就取這個(gè)url
print img_url_delay[0]
items['img_url'] = img_url_delay[0] # 這里如果數(shù)組不是空的,就能寫了
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寫在這里就是每解析一個(gè)鍵褲子就會(huì)調(diào)用回調(diào)函數(shù)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) #再次請(qǐng)求,這里是請(qǐng)求ajax加載的數(shù)據(jù),必須放在這里,因?yàn)橹挥械鹊降玫剿械膒id才能構(gòu)成這個(gè)請(qǐng)求,回調(diào)函數(shù)用于下面的解析
2、從上面代碼的最后可以看出最后就是解析ajax加載的網(wǎng)頁(yè)了,這里調(diào)用的next_half_parse函數(shù),和解析前面一個(gè)網(wǎng)頁(yè)一樣,這里需要的注意的是,如果前面定義的數(shù)據(jù)沒(méi)有搜索完畢是不能使用yield items的,必須將items通過(guò)meta傳入下一個(gè)回調(diào)函數(shù)繼續(xù)完善后才能yield items,這里就不需要了。
代碼如下:
#分析異步加載的網(wǎng)頁(yè)
def next_half_parse(self,response):
if response.status==200:
print response.url
items=JdSpiderItem()
#scrapy.shell.inspect_response(response,self) #y用來(lái)調(diào)試的
try:
lis=response.xpath("http://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,這里是完整的數(shù)據(jù),因此可以yield items
except Exception:
print "**************************************************"
3、當(dāng)然這里還用到了設(shè)置請(qǐng)求池,mysql存儲(chǔ),沒(méi)有使用到ip代理,這個(gè)在我前面的博客中又講到,這里就不再贅述了。
想看源代碼的朋友請(qǐng)
點(diǎn)擊這里 或者 本地下載
小技巧
- 人們會(huì)抱怨為什么自己的爬蟲(chóng)在中途斷開(kāi)就要重頭開(kāi)始爬,為什么不能從斷開(kāi)那里開(kāi)始爬呢,這里提供一個(gè)方法:在配置文件settings.py中加入
JOBDIR=file_name,這里的file_name是一個(gè)文件的名字 - 設(shè)置下載延遲防止被ban:
DOWNLOAD_DELAY = 2:設(shè)置每一次的間隔時(shí)間RANDOMIZE_DOWNLOAD_DELAY = True:這個(gè)是隨機(jī)設(shè)置延遲時(shí)間 在設(shè)置的時(shí)間的0.5-1.5倍之間,這樣可以更有效的防止被ban,一般是配套使用的 ROBOTSTXT_OBEY = False:這里是表示不遵循robots.txt文件,默認(rèn)是True表示遵循,這里將之改成FalseCONCURRENT_REQUESTS:設(shè)置最大請(qǐng)求數(shù),這里默認(rèn)的時(shí)16,我們可以根據(jù)自己電腦的配置改的大一點(diǎn)來(lái)加快請(qǐng)求的速度
總結(jié)
以上就是這篇文章的全部?jī)?nèi)容了,希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者使用python能帶來(lái)一定的幫助,如果有疑問(wèn)大家可以留言交流,謝謝大家對(duì)腳本之家的支持。
- Python爬蟲(chóng)框架Scrapy安裝使用步驟
- 零基礎(chǔ)寫python爬蟲(chóng)之使用Scrapy框架編寫爬蟲(chóng)
- 使用scrapy實(shí)現(xiàn)爬網(wǎng)站例子和實(shí)現(xiàn)網(wǎng)絡(luò)爬蟲(chóng)(蜘蛛)的步驟
- scrapy爬蟲(chóng)完整實(shí)例
- 深入剖析Python的爬蟲(chóng)框架Scrapy的結(jié)構(gòu)與運(yùn)作流程
- 講解Python的Scrapy爬蟲(chóng)框架使用代理進(jìn)行采集的方法
- Python使用Scrapy爬蟲(chóng)框架全站爬取圖片并保存本地的實(shí)現(xiàn)代碼
- Python的Scrapy爬蟲(chóng)框架簡(jiǎn)單學(xué)習(xí)筆記
- 實(shí)踐Python的爬蟲(chóng)框架Scrapy來(lái)抓取豆瓣電影TOP250
- 使用Python的Scrapy框架編寫web爬蟲(chóng)的簡(jiǎn)單示例
- 淺析python實(shí)現(xiàn)scrapy定時(shí)執(zhí)行爬蟲(chóng)
- Scrapy爬蟲(chóng)多線程導(dǎo)致抓取錯(cuò)亂的問(wèn)題解決
相關(guān)文章
Python使用django解決跨域請(qǐng)求的問(wèn)題
這篇文章主要給大家介紹了python如何使用django解決跨域請(qǐng)求的問(wèn)題,文中有詳細(xì)的代碼示例,具有一定的參考價(jià)值,需要的朋友可以參考下2023-07-07
Python爬蟲(chóng)實(shí)例扒取2345天氣預(yù)報(bào)
本篇文章給大家詳細(xì)分析了通過(guò)Python爬蟲(chóng)如何采集到2345的天氣預(yù)報(bào)信息,有興趣的朋友參考學(xué)習(xí)下吧。2018-03-03
Python小整數(shù)對(duì)象池和字符串intern實(shí)例解析
這篇文章主要介紹了Python小整數(shù)對(duì)象池和字符串intern實(shí)例解析,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-03-03
Python實(shí)現(xiàn)備份MySQL數(shù)據(jù)庫(kù)的方法示例
這篇文章主要介紹了Python實(shí)現(xiàn)備份MySQL數(shù)據(jù)庫(kù)的方法,涉及Python針對(duì)mysql數(shù)據(jù)庫(kù)的連接及基于mysqldump命令操作數(shù)據(jù)庫(kù)備份的相關(guān)實(shí)現(xiàn)技巧,需要的朋友可以參考下2018-01-01
python 基于opencv 實(shí)現(xiàn)一個(gè)鼠標(biāo)繪圖小程序
這篇文章主要介紹了python 基于opencv 實(shí)現(xiàn)一個(gè)鼠標(biāo)繪圖小程序,幫助大家更好的理解和使用python的opencv庫(kù),感興趣的朋友可以了解下2020-12-12
如何修改pycharm使用anaconda環(huán)境后的pip install安裝路徑問(wèn)題
本文主要介紹了如何修改pycharm使用anaconda環(huán)境后的pip install安裝路徑問(wèn)題,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02
Python中解決schedule模塊安裝與使用問(wèn)題的完整指南
在 Python 開(kāi)發(fā)中,定時(shí)任務(wù)是一個(gè)非常常見(jiàn)的需求,schedule 是一個(gè)輕量級(jí)的 Python 庫(kù),專門用于簡(jiǎn)化定時(shí)任務(wù)的實(shí)現(xiàn),本文將圍繞 schedule 模塊的安裝與使用進(jìn)行詳細(xì)介紹,希望對(duì)大家有所幫助2025-03-03

