scrapy爬虫--苏宁图书

时间:2021-02-02 23:22:44

实现业务逻辑如下:

1. 创建scrapy项目,并生成 爬虫
2. 在suning.py中实现Schedul 和 Spider业务逻辑
3. 修改start_urls为正确的初始请求地址
4. 构造parse(self,response)函数(底部封装自动发送请求,)获取响应
5. 根据响应,使用xpath提取大分类和中间分类的list
6. 根据上述得到的list再遍历,使用xpath提取我们需要的内容字段,存入刚构建的空dict中
7. 如果要进入到下一个商品列表页面,则 yield 一个Requset对象,指明要进入的url,callback,以及把item通过meta传到列表页响应中。
8. 构建callback对应的商品列表页面数据提取函数 parse_book_list(self,response),使用xpath提取我们需要的内容字段,使用yield response.yellow()构造请求,指明要进入的url(使用的是follow,所以可以是不完整的url),callback,以及把item通过meta传到详情页响应中。
9. 构建callback对应的商品详情页面数据提取函数 parse_book_detail(self,response),使用xpath提取我们需要的内容字段,字段提取完成后,就可以把item返回了,yield item。
10. 构建分类页中的后一部分图书列表数据请求,首先找到next_url,然后构造Request。
11. 上述最终yield 的item 通过在settings中设置spiderpiplelines,就会进入指定的spiderpiplelines中通过process_item()进行进一步数据处理,比如清洗和保存。
12. 另外在Downloader Middlewares中还可以设置open_spider(),close_spider(),做相应处理。
# 注意点,scrapy框架底层实现了多线程,所以item传递时,为避免数据覆盖错位情况,需要使用deepcopy()传递下去。

下面直接上代码:

# suning.py
# -*- coding: utf-8 -*-
import scrapy
import re
from copy import deepcopy class SuningSpider(scrapy.Spider):
name = 'suning'
allowed_domains = ['suning.com']
start_urls = ['https://book.suning.com/'] def parse(self, response):
#获取大分类的分组
div_list = response.xpath("//div[@class='menu-list']/div[@class='menu-item']")
# 和大分类呼应的中间分类组
div_sub_list = response.xpath("//div[@class='menu-list']/div[@class='menu-sub']")
for div in div_list[:1]:
item = {}
#大分类的名字--eg:文学艺术
item["b_cate"] = div.xpath(".//h3/a/text()").extract_first()
#当前大分类的所有的中间分类的位置
current_sub_div = div_sub_list[div_list.index(div)]
#获取中间分类的分组--eg: 小说,青春文学
p_list = current_sub_div.xpath(".//div[@class='submenu-left']/p[@class='submenu-item']")
for p in p_list:
#中间分类的名字
item["m_cate"] = p.xpath("./a/text()").extract_first()
#获取小分类的分组
li_list = p.xpath("./following-sibling::ul[1]/li")
for li in li_list:
#小分类的名字
item["s_cate"] = li.xpath("./a/text()").extract_first()
#小分类的URL地址
item["s_href"] = li.xpath("./a/@href").extract_first() #请求图书的列表页
yield scrapy.Request(
item["s_href"],
callback=self.parse_book_list,
meta={"item":deepcopy(item)}
) #发送请求,获取列表页第一页后一部分的数据
next_part_url_temp = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp=0&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0"
#获取url地址的ci
ci = item["s_href"].split("-")[1]
next_part_url = next_part_url_temp.format(ci)
yield scrapy.Request(
next_part_url,
callback=self.parse_book_list,
meta={"item":deepcopy(item)}
) def parse_book_list(self,response): #处理图书列表页内容
item = response.meta["item"]
#获取图书列表页的分组
# li_list = response.xpath("//div[@id='filter-results']/ul/li")
li_list =response.xpath("//li[contains(@class,'product book')]")
for li in li_list[:1]:
#书名
item["book_name"] = li.xpath(".//p[@class='sell-point']/a/text()").extract_first().strip()
#书的url地址,不完整
item["book_href"] = li.xpath(".//p[@class='sell-point']/a/@href").extract_first()
#书店名
item["book_store_name"] = li.xpath(".//p[contains(@class,'seller oh no-more')]/a/text()").extract_first()
#发送详情页的请求
yield response.follow(
item["book_href"],
callback = self.parse_book_detail,
meta = {"item":deepcopy(item)}
) #列表页翻页
#前半部分数据的url地址
next_url_1 = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010"
#后半部分数据的url地址
next_url_2 = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0"
ci = item["s_href"].split("-")[1]
#当前的页码数
current_page = re.findall('param.currentPage = "(.*?)";',response.body.decode())[0]
#总的页码数
total_page = re.findall('param.pageNumbers = "(.*?)";',response.body.decode())[0]
if int(current_page)<int(total_page):
next_page_num = int(current_page) + 1
next_url_1 = next_url_1.format(ci,next_page_num) #组装前半部分URL
yield scrapy.Request(
next_url_1,
callback=self.parse_book_list,
meta = {"item":item}
)
#构造后半部分数据的请求
next_url_2 = next_url_2.format(ci,next_page_num)
yield scrapy.Request(
next_url_2,
callback=self.parse_book_list,
meta = {"item":item}
) def parse_book_detail(self,response):#处理图书详情页内容
item = response.meta["item"]
price_temp_url = "https://pas.suning.com/nspcsale_0_000000000{}_000000000{}_{}_10_010_0100101_226503_1000000_9017_10106____{}_{}.html"
p1 = response.url.split("/")[-1].split(".")[0]
p3 = response.url.split("/")[-2]
p4 = re.findall('"catenIds":"(.*?)",',response.body.decode())
if len(p4)>0:
p4 = p4[0]
p5 = re.findall('"weight":"(.*?)",',response.body.decode())[0]
price_url = price_temp_url.format(p1,p1,p3,p4,p5)
yield scrapy.Request(
price_url,
callback=self.parse_book_pirce,
meta={"item":item}
) def parse_book_pirce(self,response): #提取图书的价格
item = response.meta["item"]
# item["book_price"] = re.findall('"netPrice":"(.*?)"',response.body.decode())[0]
# print(item)
yield item

关于setting.py & pipeline.py & middlewares.py的代码比较简单,这里就不传了。