爬取当当网 --------分布式爬虫scrapy_redis--------python爬虫案例
2021/6/27 2:16:14
本文主要是介绍爬取当当网 --------分布式爬虫scrapy_redis--------python爬虫案例,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
爬取当当网
- 一、分析
- 二、实现
- (一)准备程序
- (二)setting.py文件
- (三)dangdang.py文件
- (四)item.py文件
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
这篇关于爬取当当网 --------分布式爬虫scrapy_redis--------python爬虫案例的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-09-26阿里云Redis项目实战:新手入门教程
- 2024-09-26阿里云Redis资料入门教程
- 2024-09-25阿里云Redis入门教程:快速掌握Redis的基本操作
- 2024-09-25阿里云Redis学习:新手入门教程
- 2024-09-21Redis资料入门教程:轻松掌握Redis基础知识
- 2024-09-21Redis资料:入门级用户必学教程
- 2024-09-21Redis资料:新手入门教程与实践指南
- 2024-09-20Redis教程:从入门到实践的全面指南
- 2024-09-20Redis教程:初学者快速入门指南
- 2024-09-20Redis教程:新手入门与实践指南