爬取当当网 --------分布式爬虫scrapy_redis--------python爬虫案例
作者:互联网
爬取当当网
一、分析
- 爬取对象:当当网 http://book.dangdang.com/
- 要求:获取三级类目的名称,并得到详情页书名和图片url
第一步 页面分析
- 需求:大分类 二级分类 三级分类 图书的名字和图片的src
- 大分类
- 整个大分类都在 div con flq_body 它下面的 div/dl/dt
- 1 在大分类中有一个span标签,但是源码中没有
- 2 有的大分类在dt标签下面还有一个a标签 /dt//text().extract()
获取dt标签下的全部文本
- 整个大分类都在 div con flq_body 它下面的 div/dl/dt
- 二级分类
- div level one --> dl class=“inner_dl” dt/text()
- 注意:1 有的大分类在dt标签下面还有一个a标签 /dt//text().extract()
- 三级分类
- dl class=“inner_dl” --> dd/a/text()
- 注意:图片的src images/model/guan/url_none.png 这个时候还是要看下源码
- data-original=“http://img3m0.ddimg.cn/95/11/27854240-1_b_14.jpg”
第二步 实现步骤
- 1 创建scrapy项目(爬虫)
- 2 分析页面并实现逻辑
- 3 改写程序(scrapy_redis)
二、实现
- 思路:先实现普通的scrapy爬虫,然后在改写成scrapy_redis
(一)准备程序
- 在terminal终端输入
scrapy startproject book # 爬虫程序名最好不要和爬虫程序重名 scrapy genspider dangdang dangdang.com
- 创建start.py文件,放在与scrapy.cfg同层目录下
# 要运行整个程序的话,只需要运行这个文件 from scrapy import cmdline # cmdline.execute('scrapy crawl db'.split()) cmdline.execute(['scrapy','crawl','dangdang'])
- 确保redis服务器开启,且可以连接
- 并输入lpush dangdang:start_urls url
(二)setting.py文件
- 固定格式
SPIDER_MODULES = ['book.spiders']
NEWSPIDER_MODULE = 'book.spiders'
# 去重过滤
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# scheduler队里
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 数据持久化
SCHEDULER_PERSIST = True
ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
# 开启管道
ITEM_PIPELINES = {
# 'book.pipelines.BookPipeline': 300,
'scrapy_redis.pipelines.RedisPipeline': 400,
}
(三)dangdang.py文件
import scrapy
from copy import deepcopy
from scrapy_redis.spiders import RedisSpider # 第一步,添加模块
class DangdangSpider(RedisSpider): # 第二步 修改继承的父类
name = 'dangdang'
allowed_domains = ['dangdang.com']
# start_urls = ['http://book.dangdang.com/']
#第三步,把start_urls 改写成 reids_key='爬虫文件名字'
redis_key = 'dangdang'
def parse(self, response):
div_list = response.xpath('//div[@class="con flq_body"]/div')
for div in div_list:
item = {}
# 获取大分类
item['b_cate'] = div.xpath('./dl/dt//text()').extract()
item['b_cate'] = [i.strip() for i in item['b_cate'] if len(i.strip())>0]
dl_list = div.xpath('.//dl[@class="inner_dl"]')
for dl in dl_list:
# 获取中分类
item['m_cate'] = dl.xpath('./dt//text()').extract()
item['m_cate'] = [i.strip() for i in item['m_cate'] if len(i.strip()) > 0]
# 获取小分类
a_list = dl.xpath('./dd/a')
for a in a_list:
item['s_cate'] = a.xpath('./text()').extract_first()
item['s_href'] = a.xpath('./@href').extract_first()
if item['s_href'] is not None:
yield scrapy.Request(
url=item['s_href'],
callback=self.parse_book_list,
meta={'item':deepcopy(item)}
)
print(item)
def parse_book_list(self,response):
item = response.meta.get('item')
li_list = response.xpath('//ul[@class="list_aa "]/li')
for li in li_list:
# 图片的url images/model/guan/url_none.png
item['book_img'] = li.xpath('./a[@class="img"]/img/@src').extract_first()
if item['book_img'] == 'images/model/guan/url_none.png':
item['book_img'] = li.xpath('./a[@class="img"]/img/@data-original').extract_first()
# 数据的名字
item['book_name'] = li.xpath('./a[@class="name"]/a/@title').extract_first()
# print(item)
yield item
(四)item.py文件
import scrapy
class BookItem(scrapy.Item):
# define the fields for your item here like:
name = scrapy.Field()
pass
标签:--------,xpath,dl,当当网,爬虫,item,scrapy,book,dangdang 来源: https://blog.csdn.net/weixin_43761516/article/details/118171150