SCrapy爬蟲大戰京東商城

SCrapy爬蟲大戰京東商城

引言

上一篇已經講過怎樣獲取鏈接，怎樣獲得參數了，詳情請看python爬取京東商城普通篇

代碼詳解

• 首先應該構造請求，這裏使用scrapy.Request,這個方法默認調用的是start_urls構造請求，如果要改變默認的請求，那麼必須重載該方法，這個方法的返回值必須是一個可迭代的對象，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    #這裏是構造請求url的page,表示奇數
            url=self.start_url+str(page)
            yield scrapy.Request(url,meta={'search_page':page+1},callback=self.parse_url)   #這裏使用meta想回調函數傳入數據，回調函數使用response.meta['search-page']接受數據

下面就是解析網頁了，從上面看出這裏的解析回調函數是parse_url,因此在此函數中解析網頁。這裏還是和上面說的一樣，這個url得到的僅僅是前一半的信息，如果想要得到後一半的信息還有再次請求，這裏還有注意的就是一個技巧：一般先解析出一個數據的數組，不急着取出第一個數，先要用if語句判斷，因爲如果得到的是[]，那麼直接取出[0]是會報錯的，這只是一個避免報錯的方法吧，代碼如下:

    def parse_url(self,response):
        if response.status==200:   #判斷是否請求成功
            # print response.url
            pids = set()    #這個集合用於過濾和保存得到的id,用於作爲後面的ajax請求的url構成
            try:
                all_goods = response.xpath("//div[@id='J_goodsList']/ul/li")   #首先得到所有衣服的整個框架，然後從中抽取每一個框架

                for goods in all_goods:   #從中解析每一個
                    # scrapy.shell.inspect_response(response,self)   #這是一個調試的方法，這裏會直接打開調試模式
                    items = JdSpiderItem()   #定義要抓取的數據
                    img_url_src = goods.xpath("div/div[1]/a/img/@src").extract()  # 如果不存在就是一個空數組[]，因此不能在這裏取[0]
                    img_url_delay = goods.xpath(
                        "div/div[1]/a/img/@data-lazy-img").extract()  # 這個是沒有加載出來的圖片，這裏不能寫上數組取第一個[0]
                    price = goods.xpath("div/div[3]/strong/i/text()").extract()  #價格
                    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:  # 如果到了沒有加載完成的圖片，就取這個url
                        print img_url_delay[0]
                        items['img_url'] = img_url_delay[0]  # 這裏如果數組不是空的，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寫在這裏就是每解析一個鍵褲子就會調用回調函數一次
                    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)    #再次請求，這裏是請求ajax加載的數據，必須放在這裏，因爲只有等到得到所有的pid才能構成這個請求，回調函數用於下面的解析

• 從上面代碼的最後可以看出最後就是解析ajax加載的網頁了，這裏調用的next_half_parse函數，和解析前面一個網頁一樣，這裏需要的注意的是，如果前面定義的數據沒有搜索完畢是不能使用yield items的，必須將items通過meta傳入下一個回調函數繼續完善後才能yield items,這裏就不需要了，代碼如下：

#分析異步加載的網頁
    def next_half_parse(self,response):
        if response.status==200:
            print response.url
            items=JdSpiderItem()
            #scrapy.shell.inspect_response(response,self)    #y用來調試的
            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，這裏是完整的數據，因此可以yield items
            except Exception:
                print "**************************************************"

• 當然這裏還用到了設置請求池，mysql存儲，沒有使用到ip代理，這個在我前面的博客中又講到，這裏就不再贅述了，想看源代碼的朋友請點擊這裏

小技巧

• 人們會抱怨爲什麼自己的爬蟲在中途斷開就要重頭開始爬，爲什麼不能從斷開那裏開始爬呢，這裏提供一個方法：在配置文件settings.py中加入JOBDIR=file_name,這裏的file_name是一個文件的名字

• 設置下載延遲防止被ban:DOWNLOAD_DELAY = 2:設置每一次的間隔時間 RANDOMIZE_DOWNLOAD_DELAY = True:這個是隨機設置延遲時間 在設置的時間的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 :這裏是表示不遵循robots.txt文件，默認是True表示遵循，這裏將之改成False

• CONCURRENT_REQUESTS :設置最大請求數，這裏默認的時16，我們可以根據自己電腦的配置改的大一點來加快請求的速度

更多文章請看本人博客