欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python爬蟲(chóng)框架scrapy實(shí)戰(zhàn)之爬取京東商城進(jìn)階篇

 更新時(shí)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(chóng)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(lái)一起看看吧。

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(xiě)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(xiě)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(xiě)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False
  • CONCURRENT_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。

相關(guān)文章

最新評(píng)論