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
• 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