使用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
- 使用scrapy爬取京东上所有的手机数据
- 将爬取的数据存储到MongoDB
环境
- win7、python2、pycharm
技术
- 数据采集:scrapy
- 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:
- 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。
- 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。
- 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。
- 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:
我们要爬取的字段如下:(price、title、comment_num)
还有就是跟进链接后,手机的名称和类别:
以及规格与包装中的所有信息,
所有跟进链接后的信息都保存在info字段中作为一个字典存在
以下是代码:
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,
}
其他的文件都不做改变。
运行爬虫:
scrapy crawl jd
等待几分钟后,数据都存储到了MongoDB中了,现在来看一看MongoDB中的数据。
四、检查数据
在命令行中开启mongo:
看一下数据库:
发现JingDong中有5M数据。
看一下具体状态:
硬盘上的数据大小为4720KB,共4902条数据
最后来看一下数据:
数据保存成功!