春节已经临近了尾声,也该收收心了。博客好久都没更新了,自己在年前写的爬虫也该“拿”出来了。

本次爬取的目标是当当网,获取当当网所有的书籍信息。采用scrapy+mongodb来采集存储数据。开干!

起始url:

start_urls = ['http://category.dangdang.com/cp01.00.00.00.00.00-shlist.html']

当当书籍的一级分类二级分类都很明显的展示了出来。

ok~入口找到了,当当网也没有设置反爬措施,所以可以直接的放心爬取,如果需要大规模爬取的时候可以对爬虫的请求时间设置下,不要给别人的服务器带来太多的压力。

DOWNLOAD_DELAY = 5

ok,我直接上代码了!

items.py
 1 class BookDangdangItem(scrapy.Item):
 2     # 将数据插入到moongodb中
 3     price = scrapy.Field()  # 价格
 4     type_tag = scrapy.Field()  # 所属分类
 5     name = scrapy.Field()  # 书籍名称
 6     image_url = scrapy.Field()  # 首页的图片url
 7     link = scrapy.Field()  # url
 8     star_level = scrapy.Field()  # 星
 9     pub_time = scrapy.Field()  # 出版时间
10     publish = scrapy.Field()  # 出版社
11     brief = scrapy.Field()  # 描述
12
13     detail = scrapy.Field()  # 书籍详情 {}

spiders.py

  1 # -*- coding: utf-8 -*-
  2 import time
  3 import logging
  4
  5 import scrapy
  6 from scrapy.http.cookies import CookieJar
  7
  8 from ..items import BookDangdangItem
  9 from ..settings import DEFAULT_REQUEST_HEADERS
 10
 11
 12 class DangdangSpider(scrapy.Spider):
 13     name = 'dangdang'
 14     allowed_domains = ['dangdang.com']
 15     start_urls = ['http://category.dangdang.com/cp01.00.00.00.00.00-shlist.html']
 16     dom = 'http://category.dangdang.com'  # 用于拼接url
 17     cookie_dict = {}
 18
 19     def start_requests(self):
 20         return [scrapy.Request(url=self.start_urls[0], callback=self.parse, headers=DEFAULT_REQUEST_HEADERS)]
 21
 22     def parse(self, response):
 23         try:
 24             typestr = response.meta['type']
 25         except(KeyError):
 26             typestr = ""
 27         types = response.xpath('//*[@id="navigation"]/ul/li[1]/div[2]/div[1]/div/span/a')  # 获取书籍分类
 28         tyname = response.xpath('//*[@id="navigation"]/ul/li[1]/@dd_name').extract_first()
 29         if types and tyname == '分类':  # 到分类终止递归
 30             for type in types:
 31                 url = self.dom + type.xpath('@href').extract_first()  # 每一个书籍分类下面的url
 32                 typestr_new = typestr + "{0}>>".format(type.xpath('text()').extract_first())  # 多级分类
 33
 34                 scrapy.Spider.log(self, "Find url:{0},type{1}".format(url, typestr_new), logging.INFO)  # 配置日志信息
 35                 yield scrapy.Request(url=url, callback=self.parse, meta={'type': typestr_new},
 36                                      headers=DEFAULT_REQUEST_HEADERS)
 37         else:
 38             page = int(response.xpath('//*[@id="go_sort"]/div/div[2]/span[1]/text()').extract_first())  # 当前页
 39             all_page = int(response.xpath('//*[@id="go_sort"]/div/div[2]/span[2]/text()').extract_first().lstrip('/'))  # 总页数
 40             for x in range(page, all_page):  # 处理分页
 41                 yield scrapy.Request(url=self.dom + '/pg{0}-'.format(x) + response.url.split('/')[-1],
 42                                      callback=self.parse_page, headers=DEFAULT_REQUEST_HEADERS,
 43                                      meta={'type': typestr})
 44
 45     def parse_page(self, response):
 46         """解析列表页中书籍的信息"""
 47         # cookie可以不用加,我加上只是为了测试
 48         cookie_jar = CookieJar()
 49         cookie_jar.extract_cookies(response, response.request)
 50         for k, v in cookie_jar._cookies.items():
 51             for i, j in v.items():
 52                 for m, n in j.items():
 53                     self.cookie_dict[m] = n.value
 54         # print(self.cookie_dict)
 55
 56         for item in response.xpath('//*[@id="search_nature_rg"]/ul[@class="bigimg"]/li'):
 57             # 所有图书
 58             book = BookDangdangItem()
 59             book['price'] = float(item.xpath('./p[@class="price"]/span[1]/text()').extract_first().lstrip('¥'))
 60             book['type_tag'] = response.meta['type']
 61             book['name'] = item.xpath('./p[@class="name"]/a/text()').extract_first().strip()
 62             book['image_url'] = item.xpath('./a/img/@src').extract_first()
 63             book['link'] = item.xpath('./p[1]/a/@href').extract_first()
 64             book['star_level'] = int(item.xpath('./p[@class="search_star_line"]/span/span/@style').extract_first()
 65                                                  .split(' ')[-1].rstrip('%;'))
 66             try:
 67                 book['pub_time'] = item.xpath('.//p[@class="search_book_author"]/span[2]/text()').extract_first().split('/')[-1]
 68             except Exception as e:
 69                 book['pub_time'] = time.strftime("%Y-%m-%d")
 70             try:
 71                 book['publish'] = item.xpath(
 72                     './p[@class="search_book_author"]/span[3]/a/text()').extract_first().strip()
 73             except Exception as e:
 74                 book['publish'] = "暂无出版社信息"
 75             try:
 76                 book['brief'] = item.xpath('./p[2]/text()').extract_first().strip()
 77             except Exception as e:
 78                 book['brief'] = "暂无书籍简述"
 79             yield scrapy.Request(callback=self.parse_book, cookies=self.cookie_dict,
 80                                  headers=DEFAULT_REQUEST_HEADERS, meta={'item': book}, url=book['link'])
 81
 82     def parse_book(self, response):
 83         """跟进url解析书籍详情"""
 84         book = response.meta['item']
 85         book['detail'] = {}
 86         info = response.xpath("//ul[@class='key clearfix']/li/text()").extract()
 87         print(info)
 88         for i in info:
 89             t = i.partition(":")
 90             k = t[0].replace(" ", "")
 91             v = t[-1]
 92             if v == '':
 93                 v = "暂无详情"
 94             book['detail'][k] = v
 95
 96         # 这个作者详情当当不同的板块有不同的取法,看了下有很多种,写起来挺麻烦的就暂时这样处理
 97         try:
 98             book['detail']['author_detail'] = response.xpath("//span[@id=‘authorIntroduction-show’]/text()")\
 99                 .extract_first().replace('\n', '')
100         except Exception as e:
101             book['detail']['author_detail'] = "暂无作者信息"
102
103         yield book

View Code

说明下:cookie在本次爬虫中可以不用加,我加上只是为了测试。请求头做太多的定制。

piplines.py

 1 from scrapy.conf import settings
 2 from scrapy import signals
 3 from pymongo import MongoClient
 4
 5
 6 class DangDangSpiderPipeline(object):
 7     def __init__(self):
 8         # 获取setting中主机名,端口号和集合名
 9         host = settings['MONGODB_HOST']
10         port = settings['MONGODB_PORT']
11         dbname = settings['MONGODB_DBNAME']
12         col = settings['MONGODB_COL']
13
14         # 创建一个mongo实例
15         client = MongoClient(host=host, port=port)
16
17         # 访问数据库
18         db = client[dbname]
19
20         # 访问集合
21         self.col = db[col]
22
23     def process_item(self, item, spider):
24         data = dict(item)
25         self.col.insert(data)
26         return item

View Code

settings.py

 1 USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 \
 2               Safari/537.36 SE 2.X MetaSr 1.0'
 3
 4 ROBOTSTXT_OBEY = False
 5
 6 DOWNLOAD_DELAY = 5
 7
 8 COOKIES_ENABLED = False
 9
10 DEFAULT_REQUEST_HEADERS = {
11     'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
12     'Accept-Language': 'en',
13     "authority": " www.dangdang.com",
14     "method": "GET",
15     "path": "/",
16     "scheme": "http",
17     "accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",
18     "accept-encoding": 'gzip, deflate, br',
19     "accept-language": 'en-US,en;q=0.9',
20     "referer": None,
21     "upgrade-insecure-requests": 1,
22     "User-Agent": 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 \
23                       Safari/537.36 SE 2.X MetaSr 1.0'
24 }    # 可以不写使用默认的
25
26 ITEM_PIPELINES = {
27     'dangdangspider.pipelines.DangDangSpiderPipeline': 300,
28 }
29
30 # Mongodb
31 # 主机环回地址
32 MONGODB_HOST = '127.0.0.1'
33 # 端口号,默认27017
34 MONGODB_POST = 27017
35 # 设置数据库名称
36 MONGODB_DBNAME = 'dangdangs'
37 # 设置集合名称
38 MONGODB_COL = 'books'

View Code

settings.py请求头可以不用写,使用默认的就行,我之所以加上也是测试用的,同理上面写了两个user-agent。just for fun  :-)

这次爬虫其实主要的目的是,我想了解下scrapy中的cookie是如何加上的,以及怎么用,有多少中用法!scrapy中的cookie无论是在官方文档或者一些大V的博客里都很少介绍到,但是他在实际的场景中却会用到,那就是模拟登录的时候。或者向淘宝那样需要携带cookie才能访问页面的时候。关于如何使用cookie请查看我的另一篇博客

转载于:https://www.cnblogs.com/pontoon/p/10360487.html

scrapy爬取当当网相关推荐

  1. Scrapy爬取当当网图书销售前100

    scrapy爬取当当网图书畅销榜 一.采集任务 爬取当当网图书畅销榜信息,获取热销图书前500相关数据. 二.网页解析 1. 打开当当网,按照图书榜>图书畅销榜 进入当当网图书畅销榜[http: ...

  2. Scrapy爬取当当网的商品信息存到MySQL数据库

    Scrapy爬取当当网的商品信息存到MySQL数据库 Scrapy 是一款十分强大的爬虫框架,能够快速简单地爬取网页,存到你想要的位置.经过两天的摸索,终于搞定了一个小任务,将当当网的商品信息爬下来存 ...

  3. python实战|用scrapy爬取当当网数据

    本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于腾讯云 作者:Python进击者 ( 想要学习Python?Pyth ...

  4. [Python]scrapy爬取当当网书籍相关信息

    最近想买两本程序设计的书籍,也就在当当网上面看了下,发现真是太多的书了.所以想着利用爬虫知识爬取下程序设计相关书籍的一些信息. 00_1. 首先是今天所用到的东西 python 3.5 + scrap ...

  5. scrapy爬取当当网Python图书的部分数据

    1.下载scrapy框架 pip install scrapy 2.在E盘下创建一个文件夹scrapy01,在命令行窗体中进入该文件夹 3.创建项目:scrapy startproject 项目名 s ...

  6. scrapy框架的简单使用——爬取当当网图书信息

    ** Scrapy爬取当当网图书信息实例 --以警察局办案为类比 ** 使用Scrapy进行信息爬取的过程看起来十分的复杂,但是他的操作方式与警局办案十分的相似,那么接下来我们就以故事的形式开始Scr ...

  7. Python爬虫实战+Scrapy框架 爬取当当网图书信息

    1.环境准备 1.在python虚拟环境终端使用 pip install scrapy下载scrapy依赖库 2.使用scrapy startproject book创建scrapy心目工程 3.使用 ...

  8. Scrapy爬虫之爬取当当网图书畅销榜

      本次将会使用Scrapy来爬取当当网的图书畅销榜,其网页截图如下:   我们的爬虫将会把每本书的排名,书名,作者,出版社,价格以及评论数爬取出来,并保存为csv格式的文件.项目的具体创建就不再多讲 ...

  9. Scarpy爬取当当网书籍

    目录 1:Scarpy (1)  Scrapy是什么: (2)安装scrapy: 2.scrapy项目的创建以及运行 1.创建scrapy项目: 2.项目组成: 3.创建爬虫文件 4.爬虫文件的基本组 ...

最新文章

  1. libev源码解析——I/O模型
  2. 做好十足准备面字节跳动,五面都过了,HR告诉我这个原因我被刷了...
  3. 机器学习算法源码全解析(二)-范数规则化之L0、L1与L2范数
  4. java 文件随机读取_Java 实现文件随机读写-RandomAccessFile
  5. 职称计算机考试选择题,职称计算机考试综合选择题「附答案」.docx
  6. Unity之Math等方法的使用
  7. UTF-8编码的字符串拆分成单字、获取UTF-8字符串的字符个数的代码及原理(c++实现)...
  8. 增量式pid调节方式有何优点_PID控制算法
  9. 调查显示超四成人“讨厌”大数据
  10. Linux 性能监测:介绍
  11. 比特币现金和ICO 及其他6个加密在泰国获准交易
  12. C#代码执行中等待10秒
  13. lunix mysql创建视图_Linux命令:MySQL系列之六--VIEW视图/mysql -e
  14. 游戏建模常用软件以及模型制作流程
  15. YOLOv3的批量图片检测以及批量输出(windows下)
  16. 【无标题】123123123
  17. 独孤九剑第二式-Logistic回归模型
  18. Oracle FND - 用户API fnd_user_pkg的常用用法
  19. 志强系列的服务器能吃鸡吗,性能芯变化!三款至强E5 V3服务器体验
  20. FPGA自学之路1(半加器和全加器的实现)

热门文章

  1. C++刷题的一些小tips
  2. D001.1 Window7系统上Centos7的安装
  3. 为什么计算机技术要革命,从智慧联想的发布谈人工智能革命
  4. Java笔记(10)
  5. Leetcode 355. 设计推特 C++
  6. centos7 安装 nodejs 16
  7. C++数组——小鱼比可爱
  8. 生产工单收货控制增强
  9. vue:实现前端生成并下载二维码(使用qrcodejs2插件)
  10. 【量化交易】 python 基本语法与变量 【003】 策略 复习一下