Python爬虫学习-第四篇 Scrapy框架抓取唯品会数据

上篇博文讲述了scrapy的框架和组件，对于scrapy有了基本的了解，那么我们进入今天的正题：使用Scrapy框架爬取数据。

1.创建Scrapy项目

创建Scrapy工程文件的命令：

 scrapy startproject scrapytest

  此命令是python默认目下创建的工程。

指定目录文件下创建项目：

1.进入指定目录  cd D:\workspaces 2.该目录下执行：scrapy startproject scrapytest 

2.scrpay项目结构

 使用PyCharm，打开scrpy的工程文件，效果如下：

2.1 spiders 文件夹就是我们编写spider存放的目录

2.2 items是定义数据类型

2.3 pipeline 负责处理被spider提取出来的item

2.4 Middlewares 默认两个中间件，一个spider 一个是download

2.5 setting 配置信息 默认：

 3.抓取某品会的纸尿裤数据

     3.1 定义数据

class DiaperItem(scrapy.Item):diaper_name = scrapy.Field() #纸尿裤商品名称diaper_price = scrapy.Field()#价格diaper_url = scrapy.Field()  #详情路径diaper_source_shop = scrapy.Field() #来源商城（默认为某品会）

   3.2 抓取目标分析

  目标是抓取上图所有的纸尿裤数据。

        3.2.1抓取页面代码

       通过写spider直接访问路径：https://category.vip.com/suggest.php?keyword=纸尿裤

from scrapy.spiders import Spider
from scrapy.http.request import Requestclass vipShopSpider(Spider):name = "vipshopSpider"allowed_domains = ["category.vip.com"]start_url = 'https://category.vip.com/suggest.php?keyword=%E7%BA%B8%E5%B0%BF%E8%A3%A4'def start_requests(self):yield Request(url=self.start_url, callback=self.parse)def parse(self, response):body = response.body.decode('utf-8')pass

其中name就是爬虫的名称，必有字段

allowed_domains 允许爬去站点的域名，此域名内的访问才算有效。

start_url自定义参数，爬虫开始的爬去的页面路径。

start_request第一次请求，url请求页面路径，callback回调函数。

parse 自定义的方法，用于解析html ，主要爬取规则在这里实现。

通过pycharm 配置参数，调试爬虫，获取响应的内容body，用于我们第二次分析.

配置调试步骤：

填入python命令行路径  和执行scrapy的命令：crawl  vipShopSpider

debug运行 ，设置断点，查看body:

复制body ，得到访问结果。经过分析，我们发现body没有商品的信息，得到是一段未经过js渲染的代码：

  那该怎么办呢，我们用到与scrpy配套的js渲染中间件splash，通过这个splash，我们可以得到渲染后的body。

 安装splash很简单，只需在docker环境 安装splash就可以了（这个不是此篇文章的重点）。具体百度。

 splash安装成功后 界面如下：

 setting配置splash：

SPLASH_URL = '你的splash的url'DOWNLOADER_MIDDLEWARES = {'scrapy_splash.SplashCookiesMiddleware': 723,'scrapy_splash.SplashMiddleware': 725,'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}SPIDER_MIDDLEWARES = {'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'

修改spider：

  script = """function main(splash, args)splash:go(args.url)local scroll_to = splash:jsfunc("window.scrollTo")scroll_to(0, 2800)splash:set_viewport_full()splash:wait(5)return {html=splash:html()}end"""def start_requests(self):#yield Request(url=self.start_url, callback=self.parse)yield SplashRequest(url=self.start_url, callback=self.parse, endpoint='execute',args={'lua_source': self.script})

script的lua脚本，作用模拟拖动鼠标到页面最低端，保证页面把当前网页的数据加载完成。

再次debug运行爬虫，抓取body，查看最终的html代码。看到产品名称，价格信息。

    3.2.2抓取规则

     从html代码中获取到制定数据，selector（选择器）就在这时候大显身手，scapy选择器是依赖于lxml库，在我的博文《Python爬虫学习-第三篇 Scrapy框架初探和安装》提到过，所以在这儿我就不多讲，直接贴出我的筛选规则代码：

  def parse(self, response):sel = Selector(response)items = sel.xpath('//div[@class="goods-list-item  c-goods  J_pro_items"]')for data in items:diaper_name = data.xpath('.//h4[@class="goods-info goods-title-info"]/a/@title').extract_first()diaper_price = data.xpath('.//div[@class="goods-price-wrapper"]/em/span[@class="price"]/text()').extract_first()diaper_url = data.xpath('.//h4[@class="goods-info goods-title-info"]/a/@href').extract_first()shop_diaper_item = DiaperItem()shop_diaper_item['diaper_name'] = diaper_nameshop_diaper_item['diaper_price'] = (re.findall(r"\d+\.?\d*", diaper_price))[0]shop_diaper_item['diaper_url'] = 'https:' + diaper_urlshop_diaper_item['diaper_source_shop'] = '唯品会'yield shop_diaper_itemnext_url = sel.xpath('//div[@class="m-cat-paging ui-paging"]/a[@class="cat-paging-next next"]/@href').extract_first()if next_url is not None:next_url = response.urljoin(next_url)yield SplashRequest(next_url, callback=self.parse, endpoint='execute', args={'lua_source': self.script})

      第一步：  sel = Selector(response)
        items = sel.xpath('//div[@class="goods-list-item  c-goods  J_pro_items"]')  选取class是"goods-list-item  c-goods  J_pro_items"的元素

      第二步：遍历选取的元素，找到名称、价格、详情url，赋值给自定义DiaperItem，返回DiaperItem

      第三步：找取下一页：

       next_url = sel.xpath(
            '//div[@class="m-cat-paging ui-paging"]/a[@class="cat-paging-next next"]/@href').extract_first() 找取分页的下一页href。得到类似的结果：

判断是否为空，不为空，拼接成类似https://category.vip.com/suggest.php?keyword=纸尿裤&page=2&count=100&suggestType=brand#catPerPos的链接

在加入splash的渲染中间件，循环调取。

   ps：scrapy 是默认开启了，url去重的访问，所以即使有重复url路径请求，scrapy会自动清除。

   3.2.3保存数据

      使用pipeline来处理数据，使用mssql数据库来存储数据：

from DiaperService.MssqlService import MssqlServiceclass DiaperPipeline(object):def process_item(self, item, spider):name = item['diaper_name'].replace("'", "''")ms = MssqlService(server='192.168.200.200', user='sa', password='123456aA', db_name='test')sql = 'insert into [dbo].[Diaper](Name,Price,DetailUrl,SourceShop) ' \'values(\'%s\',%f,\'%s\',\'%s\') ' % (name,float(item['diaper_price']),item['diaper_url'],item['diaper_source_shop'])# print(sql)ms.exec_non_query(sql)return item

封装的mssql服务：

import pymssqlclass MssqlService(object):def __init__(self, server, user, password, db_name):self.host = serverself.user = userself.password = passwordself.database = db_nameself.conn = self.__get_Conn()def __get_Conn(self):conn = pymssql.connect(self.host, self.user, self.password, self.database)return conndef exec_query(self, sql):cur = self.conn.cursor()cur.execute(sql)result_list = cur.fetchall()cur.close()return result_listdef exec_non_query(self, sql):cur = self.conn.cursor()cur.execute(sql)self.conn.commit()cur.close()

setting配置pipeline的优先级300:

ITEM_PIPELINES = {'Diaper.pipelines.DiaperPipeline': 300,
}

那么到现在我们已经把爬虫从请求网页，获取相应，解析内容，保存数据的都完成开发，所以我们运行下程序，查看是否成功抓取数据。

数据库中的数据：

 4.总结

      scrapy还有很多强大的功能去探索，比如链式爬虫，能够递归爬取数据，可以配置递归的层级等。同时它的选择器lxml库，筛选查询非常方便快速，相较于正则表达式学习成本更低，更易理解，能让新手快速入门。