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.urlpids = 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urlprint 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_urlif 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 itemsexcept 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.urlitems=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_1if 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 itemsexcept 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

SCrapy爬虫大战京东商城相关推荐

用scrapy爬取京东商城的商品信息
软件环境: 1 gevent (1.2.2) 2 greenlet (0.4.12) 3 lxml (4.1.1) 4 pymongo (3.6.0) 5 pyOpenSSL (17.5.0) 6 r ...
Scrapy爬取京东商城华为全系列手机评论
本文转自:https://mp.weixin.qq.com/s?__biz=MzA4MTk3ODI2OA==&mid=2650342004&idx=1&sn=4d270ab7c ...
Scrapy 爬取京东商城华为全系列手机评论
向AI转型的程序员都关注了这个号
Scrapy练习——爬取京东商城商品信息
刚刚接触爬虫,花了一段时间研究了一下如何使用scrapy,写了一个比较简单的小程序,主要用于爬取京东商城有关进口牛奶页面的商品信息,包括商品的名称,价格,店铺名称,链接,以及评价的一些信息等.简单记录 ...
Python分布式抓取和分析京东商城评价
互联网购物现在已经是非常普遍的购物方式,在互联网上购买商品并且使用之后,很多人都会回过头来对自己购买的商品进行一些评价,以此来表达自己对于该商品使用后的看法.商品评价的好坏对于一个商品的重要性显而易见 ...
Scrapy框架爬虫项目：京东商城笔记本电脑信息爬取
一.创建Scrapy项目在cmd中输入一下指令创建一个新的scrapy项目及一个爬虫 scrapy startproject JD_Goodscd JD_Goodsscrapy genspider ...
python爬京东联盟_python爬虫框架scrapy实战之爬取京东商城进阶篇
前言之前的一篇文章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,本文将详细介绍利用python爬虫框架scrapy如何爬取京东商城,下面话不多说了,来看看详细的介绍吧 ...
python爬虫完整实例-python爬虫实战之爬取京东商城实例教程
前言本文主要介绍的是利用python爬取京东商城的方法,文中介绍的非常详细,下面话不多说了,来看看详细的介绍吧. 主要工具 scrapy BeautifulSoup requests 分析步骤 1. ...
爬虫python的爬取步骤-python爬虫实战之爬取京东商城实例教程
前言本文主要介绍的是利用python爬取京东商城的方法,文中介绍的非常详细,下面话不多说了,来看看详细的介绍吧. 主要工具 scrapy BeautifulSoup requests 分析步骤 1. ...

SCrapy爬虫大战京东商城

SCrapy爬虫大战京东商城

引言

代码详解

小技巧

更多文章请看本人博客

SCrapy爬虫大战京东商城相关推荐

最新文章

热门文章