欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python爬蟲框架scrapy實戰(zhàn)之爬取京東商城進(jìn)階篇

 更新時間:2017年04月24日 11:48:59   作者:Chenjiabing  
這篇文章主要給大家介紹了利用python爬蟲框架scrapy爬取京東商城的相關(guān)資料,文中給出了詳細(xì)的代碼介紹供大家參考學(xué)習(xí),并在文末給出了完整的代碼,需要的朋友們可以參考學(xué)習(xí),下面來一起看看吧。

前言

之前的一篇文章已經(jīng)講過怎樣獲取鏈接,怎樣獲得參數(shù)了,詳情請看python爬取京東商城普通篇,本文將詳細(xì)介紹利用python爬蟲框架scrapy如何爬取京東商城,下面話不多說了,來看看詳細(xì)的介紹吧。

代碼詳解

1、首先應(yīng)該構(gòu)造請求,這里使用scrapy.Request,這個方法默認(rèn)調(diào)用的是start_urls構(gòu)造請求,如果要改變默認(rèn)的請求,那么必須重載該方法,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 #這里是構(gòu)造請求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。這里還是和上面說的一樣,這個url得到的僅僅是前一半的信息,如果想要得到后一半的信息還有再次請求,這里還有注意的就是一個技巧:一般先解析出一個數(shù)據(jù)的數(shù)組,不急著取出第一個數(shù),先要用if語句判斷,因為如果得到的是[],那么直接取出[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() #這個集合用于過濾和保存得到的id,用于作為后面的ajax請求的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框架,然后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(diào)試的方法,這里會直接打開調(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() # 這個是沒有加載出來的圖片,這里不能寫上數(shù)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鍵褲子就會調(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) #再次請求,這里是請求ajax加載的數(shù)據(jù),必須放在這里,因為只有等到得到所有的pid才能構(gòu)成這個請求,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)頁了,這里調(diào)用的next_half_parse函數(shù),和解析前面一個網(wǎng)頁一樣,這里需要的注意的是,如果前面定義的數(shù)據(jù)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(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
 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(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,這里就不再贅述了。

想看源代碼的朋友請

點(diǎn)擊這里 或者 本地下載

小技巧

  • 人們會抱怨為什么自己的爬蟲在中途斷開就要重頭開始爬,為什么不能從斷開那里開始爬呢,這里提供一個方法:在配置文件settings.py中加入JOBDIR=file_name,這里的file_name是一個文件的名字
  • 設(shè)置下載延遲防止被ban:DOWNLOAD_DELAY = 2:設(shè)置每一次的間隔時間 RANDOMIZE_DOWNLOAD_DELAY = True:這個是隨機(jī)設(shè)置延遲時間 在設(shè)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False
  • CONCURRENT_REQUESTS :設(shè)置最大請求數(shù),這里默認(rèn)的時16,我們可以根據(jù)自己電腦的配置改的大一點(diǎn)來加快請求的速度

總結(jié)

以上就是這篇文章的全部內(nèi)容了,希望本文的內(nèi)容對大家的學(xué)習(xí)或者使用python能帶來一定的幫助,如果有疑問大家可以留言交流,謝謝大家對腳本之家的支持。

相關(guān)文章

  • python遞歸函數(shù)繪制分形樹的方法

    python遞歸函數(shù)繪制分形樹的方法

    這篇文章主要為大家詳細(xì)介紹了python遞歸函數(shù)繪制分形樹的方法,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2018-06-06
  • Django實現(xiàn)靜態(tài)文件緩存到云服務(wù)的操作方法

    Django實現(xiàn)靜態(tài)文件緩存到云服務(wù)的操作方法

    這篇文章主要介紹了Django實現(xiàn)靜態(tài)文件緩存到云服務(wù)的操作方法,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2021-08-08
  • 關(guān)于python的矩陣乘法運(yùn)算

    關(guān)于python的矩陣乘法運(yùn)算

    這篇文章主要介紹了關(guān)于python的矩陣乘法運(yùn)算,矩陣是一個數(shù)字陣列,一個二維數(shù)組,n行r列的陣列稱為n*r矩陣。如果n==r則稱為方陣,需要的朋友可以參考下
    2023-04-04
  • Python中內(nèi)建函數(shù)的簡單用法說明

    Python中內(nèi)建函數(shù)的簡單用法說明

    這篇文章主要介紹了Python中內(nèi)建函數(shù)的簡單用法說明,包括apply()、filter()、reduce()、map()四個函數(shù)的用法講解,需要的朋友可以參考下
    2016-05-05
  • python中函數(shù)返回多個結(jié)果的實例方法

    python中函數(shù)返回多個結(jié)果的實例方法

    在本篇文章里小編給大家整理了一篇關(guān)于python中函數(shù)返回多個結(jié)果的實例方法,有興趣的朋友們可以學(xué)習(xí)下。
    2020-12-12
  • 快速解決安裝python沒有scripts文件夾的問題

    快速解決安裝python沒有scripts文件夾的問題

    下面小編就為大家分享一篇快速解決安裝python沒有scripts文件夾的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-04-04
  • 詳解Python安裝scrapy的正確姿勢

    詳解Python安裝scrapy的正確姿勢

    Scrapy是一個為了爬取網(wǎng)站數(shù)據(jù)提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架。這篇文章主要介紹了Python安裝scrapy的正確姿勢,非常不錯,具有一定的參考借鑒價值,需要的朋友可以參考下
    2018-06-06
  • Python獲取B站粉絲數(shù)的示例代碼

    Python獲取B站粉絲數(shù)的示例代碼

    這篇文章主要介紹了Python獲取B站粉絲數(shù)的示例代碼,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2021-03-03
  • 詳解python3中socket套接字的編碼問題解決

    詳解python3中socket套接字的編碼問題解決

    本篇文章主要介紹了詳解python3中socket套接字的編碼問題解決,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2017-07-07
  • Python數(shù)據(jù)分析matplotlib折線圖案例處理

    Python數(shù)據(jù)分析matplotlib折線圖案例處理

    這篇文章主要介紹了Python數(shù)據(jù)分析matplotlib折線圖案例處理,文章圍繞主題展開詳細(xì)的內(nèi)容介紹,具有一定的參考價值,需要的小伙伴可以參考一下
    2022-08-08

最新評論