用scrapy爬取京东的数据

本文目的是使用scrapy爬取京东上所有的手机数据,并将数据保存到MongoDB中。

一、项目介绍

主要目标

1、使用scrapy爬取京东上所有的手机数据

2、将爬取的数据存储到MongoDB

环境

win7、python2、pycharm

技术

1、数据采集：scrapy

2、数据存储：MongoDB

难点分析

和其他的电商网站相比，京东的搜索类爬取主要有以下几个难点：

1、搜索一个商品时，一开始显示的商品数量为30个，当下拉这一页时，又会出现30个商品，这就是60个商品了，前30个可以直接从原网页上拿到，后30个却在另一个隐藏链接中，要访问这两个链接，才能拿到一页的所有数据。

2、隐藏链接的构造，发现最后的那个show_items字段其实是前30 个商品的id。

3、直接反问隐藏链接被拒绝访问，京东的服务器会检查链接的来源，只有来自当前页的链接他才会允许访问。

4、前30个商品的那一页的链接page字段的自增是1、3、5。。。这样的，而后30个的自增是2、4、6。。。这样的。

下面看具体的分析。

二、网页分析

首先打开京东的首页搜索“手机”：

一开始他的地址是这样的：

转到第2页，会看到，他的地址变成这样子了：

后面的字段全变了，那么第2页的url明显更容易看出信息，主要修改的字段其实就是keyword，page，其实还有一个wq字段，这个得值和keyword是一样的。

那么我们就可以使用第二页的url来抓取数据，可以看出第2页的url中page字段为3。

但是查看原网页的时候却只有30条数据，还有30条数据隐藏在一个网页中：

从这里面可以看到他的Request url。

再看一下他的response：

里面正好就是我们需要的信息。

看一下他的参数请求：

这些参数不难以构造，一些未知的参数可以删掉，而那个show_items参数，其实就是前30个商品的id：

准确来说是data-pid

此时如果我们直接在浏览器*问这个Request url，他会跳转到https://www.jd.com/?se=deny页面，并没有我们需要的信息，其实这个主要是请求头中的referer参数

这个参数就是在地址栏上的那个url，当然在爬取的时候我们还可以加个user-agent，那么分析完毕，我们开始敲代码。

三、爬取

创建一个scrapy爬虫项目：

scrapy startproject jdphone

生成一个爬虫：

scrapy genspider jd jd.com

文件结构：

items: items.py

# -*- coding: utf-8 -*-

import scrapy


class JdphoneItem(scrapy.Item):
    # define the fields for your item here like:
    title = scrapy.Field()  # 标题

    price = scrapy.Field()  # 价格

    comment_num = scrapy.Field()  # 评价条数

    url = scrapy.Field()  # 商品链接

    info = scrapy.Field()  # 详细信息

spiders: jd.py

# -*- coding: utf-8 -*-
import scrapy
from ..items import JdphoneItem
import sys

reload(sys)
sys.setdefaultencoding("utf-8")


class JdSpider(scrapy.Spider):
    name = \'jd\'
    allowed_domains = [\'jd.com\']  # 有的时候写个www.jd.com会导致search.jd.com无法爬取
    keyword = "手机"
    page = 1
    url = \'https://search.jd.com/Search?keyword=%s&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=%s&cid2=653&cid3=655&page=%d&click=0\'
    next_url = \'https://search.jd.com/s_new.php?keyword=%s&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=%s&cid2=653&cid3=655&page=%d&scrolling=y&show_items=%s\'

    def start_requests(self):
        yield scrapy.Request(self.url % (self.keyword, self.keyword, self.page), callback=self.parse)

    def parse(self, response):
        """
        爬取每页的前三十个商品，数据直接展示在原网页中
        :param response:
        :return:
        """
        ids = []
        for li in response.xpath(\'//*[@id="J_goodsList"]/ul/li\'):
            item = JdphoneItem()

            title = li.xpath(\'div/div/a/em/text()\').extract()  # 标题
            price = li.xpath(\'div/div/strong/i/text()\').extract()  # 价格
            comment_num = li.xpath(\'div/div/strong/a/text()\').extract()  # 评价条数
            id = li.xpath(\'@data-pid\').extract()  # id
            ids.append(\'\'.join(id))

            url = li.xpath(\'div/div[@class="p-name p-name-type-2"]/a/@href\').extract()  # 需要跟进的链接

            item[\'title\'] = \'\'.join(title)
            item[\'price\'] = \'\'.join(price)
            item[\'comment_num\'] = \'\'.join(comment_num)
            item[\'url\'] = \'\'.join(url)

            if item[\'url\'].startswith(\'//\'):
                item[\'url\'] = \'https:\' + item[\'url\']
            elif not item[\'url\'].startswith(\'https:\'):
                item[\'info\'] = None
                yield item
                continue

            yield scrapy.Request(item[\'url\'], callback=self.info_parse, meta={"item": item})

        headers = {\'referer\': response.url}
        # 后三十页的链接访问会检查referer，referer是就是本页的实际链接
        # referer错误会跳转到：https://www.jd.com/?se=deny
        self.page += 1
        yield scrapy.Request(self.next_url % (self.keyword, self.keyword, self.page, \',\'.join(ids)),
                             callback=self.next_parse, headers=headers)

    def next_parse(self, response):
        """
        爬取每页的后三十个商品，数据展示在一个特殊链接中：url+id(这个id是前三十个商品的id)
        :param response:
        :return:
        """
        for li in response.xpath(\'//li[@class="gl-item"]\'):
            item = JdphoneItem()
            title = li.xpath(\'div/div/a/em/text()\').extract()  # 标题
            price = li.xpath(\'div/div/strong/i/text()\').extract()  # 价格
            comment_num = li.xpath(\'div/div/strong/a/text()\').extract()  # 评价条数
            url = li.xpath(\'div/div[@class="p-name p-name-type-2"]/a/@href\').extract()  # 需要跟进的链接

            item[\'title\'] = \'\'.join(title)
            item[\'price\'] = \'\'.join(price)
            item[\'comment_num\'] = \'\'.join(comment_num)
            item[\'url\'] = \'\'.join(url)

            if item[\'url\'].startswith(\'//\'):
                item[\'url\'] = \'https:\' + item[\'url\']
            elif not item[\'url\'].startswith(\'https:\'):
                item[\'info\'] = None
                yield item
                continue

            yield scrapy.Request(item[\'url\'], callback=self.info_parse, meta={"item": item})

        if self.page < 200:
            self.page += 1
            yield scrapy.Request(self.url % (self.keyword, self.keyword, self.page), callback=self.parse)

    def info_parse(self, response):
        """
        链接跟进，爬取每件商品的详细信息,所有的信息都保存在item的一个子字段info中
        :param response:
        :return:
        """
        item = response.meta[\'item\']
        item[\'info\'] = {}
        type = response.xpath(\'//div[@class="inner border"]/div[@class="head"]/a/text()\').extract()
        name = response.xpath(\'//div[@class="item ellipsis"]/text()\').extract()
        item[\'info\'][\'type\'] = \'\'.join(type)
        item[\'info\'][\'name\'] = \'\'.join(name)

        for div in response.xpath(\'//div[@class="Ptable"]/div[@class="Ptable-item"]\'):
            h3 = \'\'.join(div.xpath(\'h3/text()\').extract())
            if h3 == \'\':
                h3 = "未知"
            dt = div.xpath(\'dl/dt/text()\').extract()
            dd = div.xpath(\'dl/dd[not(@class)]/text()\').extract()
            item[\'info\'][h3] = {}
            for t, d in zip(dt, dd):
                item[\'info\'][h3][t] = d
        yield item

item pipeline: pipelines.py

# -*- coding: utf-8 -*-
from scrapy.conf import settings
from pymongo import MongoClient


class JdphonePipeline(object):
    def __init__(self):
        # 获取setting中主机名，端口号和集合名
        host = settings[\'MONGODB_HOST\']
        port = settings[\'MONGODB_PORT\']
        dbname = settings[\'MONGODB_DBNAME\']
        col = settings[\'MONGODB_COL\']

        # 创建一个mongo实例
        client = MongoClient(host=host,port=port)

        # 访问数据库
        db = client[dbname]

        # 访问集合
        self.col = db[col]

    def process_item(self, item, spider):
        data = dict(item)
        self.col.insert(data)
        return item

setting: setting.py

# -*- coding: utf-8 -*-
BOT_NAME = \'jdphone\'

SPIDER_MODULES = [\'jdphone.spiders\']
NEWSPIDER_MODULE = \'jdphone.spiders\'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = \'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36\'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

# 主机环回地址
MONGODB_HOST = \'127.0.0.1\'
# 端口号，默认27017
MONGODB_POST = 27017
# 设置数据库名称
MONGODB_DBNAME = \'JingDong\'
# 设置集合名称
MONGODB_COL = \'JingDongPhone\'

ITEM_PIPELINES = {
   \'jdphone.pipelines.JdphonePipeline\': 300,
}