如何在scrapy框架下用python爬取json文件

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了如何在scrapy框架下用python爬取json文件相关的知识,希望对你有一定的参考价值。

生成Request的时候与一般的网页是相同的,提交Request后scrapy就会下载相应的网页生成Response,这时只用解析response.body按照解析json的方法就可以提取数据了。代码示例如下(以京东为例,其中的parse_phone_price和parse_commnets是通过json提取的,省略部分代码):

# -*- coding: utf-8 -*-
 
from scrapy.spiders import Spider, CrawlSpider, Rule
from scrapy.linkextractors import LinkExtractor
from jdcom.items import JdPhoneCommentItem, JdPhoneItem
from scrapy import Request
from datetime import datetime
import json
import logging
import re
 
logger = logging.getLogger(__name__)
 
 
class JdPhoneSpider(CrawlSpider):
    name = "jdPhoneSpider"
    start_urls = ["http://list.jd.com/list.html?cat=9987,653,655"]
 
    rules = (
        Rule(
            LinkExtractor(allow=r"list\\.html\\?cat\\=9987,653,655\\&page\\=\\d+\\&trans\\=1\\&JL\\=6_0_0"),
            callback="parse_phone_url",
            follow=True,
        ),
    )
 
    def parse_phone_url(self, response):
        hrefs = response.xpath("//div[@id=\'plist\']/ul/li/div/div[@class=\'p-name\']/a/@href").extract()
        phoneIDs = []
        for href in hrefs:
            phoneID = href[14:-5]
            phoneIDs.append(phoneID)
            commentsUrl = "http://sclub.jd.com/productpage/p-%s-s-0-t-3-p-0.html" % phoneID
            yield Request(commentsUrl, callback=self.parse_commnets)
 
    def parse_phone_price(self, response):
        phoneID = response.meta[\'phoneID\']
        meta = response.meta
        priceStr = response.body.decode("gbk", "ignore")
        priceJson = json.loads(priceStr)
        price = float(priceJson[0]["p"])
        meta[\'price\'] = price
        phoneUrl = "http://item.jd.com/%s.html" % phoneID
        yield Request(phoneUrl, callback=self.parse_phone_info, meta=meta)
 
    def parse_phone_info(self, response):  
        pass
 
    def parse_commnets(self, response):
 
        commentsItem = JdPhoneCommentItem()
        commentsStr = response.body.decode("gbk", "ignore")
        commentsJson = json.loads(commentsStr)
        comments = commentsJson[\'comments\']
 
        for comment in comments:
            commentsItem[\'commentId\'] = comment[\'id\']
            commentsItem[\'guid\'] = comment[\'guid\']
            commentsItem[\'content\'] = comment[\'content\']
            commentsItem[\'referenceId\'] = comment[\'referenceId\']
            # 2016-09-19 13:52:49  %Y-%m-%d %H:%M:%S
            datetime.strptime(comment[\'referenceTime\'], "%Y-%m-%d %H:%M:%S")
            commentsItem[\'referenceTime\'] = datetime.strptime(comment[\'referenceTime\'], "%Y-%m-%d %H:%M:%S")
 
            commentsItem[\'referenceName\'] = comment[\'referenceName\']
            commentsItem[\'userProvince\'] = comment[\'userProvince\']
            # commentsItem[\'userRegisterTime\'] = datetime.strptime(comment[\'userRegisterTime\'], "%Y-%m-%d %H:%M:%S")
            commentsItem[\'userRegisterTime\'] = comment.get(\'userRegisterTime\')
            commentsItem[\'nickname\'] = comment[\'nickname\']
            commentsItem[\'userLevelName\'] = comment[\'userLevelName\']
            commentsItem[\'userClientShow\'] = comment[\'userClientShow\']
            commentsItem[\'productColor\'] = comment[\'productColor\']
            # commentsItem[\'productSize\'] = comment[\'productSize\']
            commentsItem[\'productSize\'] = comment.get("productSize")
            commentsItem[\'afterDays\'] = int(comment[\'days\'])
            images = comment.get("images")
            images_urls = ""
            if images:
                for image in images:
                    images_urls = image["imgUrl"] + ";"
            commentsItem[\'imagesUrl\'] = images_urls
        yield commentsItem
 
        commentCount = commentsJson["productCommentSummary"]["commentCount"]
        goodCommentsCount = commentsJson["productCommentSummary"]["goodCount"]
        goodCommentsRate = commentsJson["productCommentSummary"]["goodRate"]
        generalCommentsCount = commentsJson["productCommentSummary"]["generalCount"]
        generalCommentsRate = commentsJson["productCommentSummary"]["generalRate"]
        poorCommentsCount = commentsJson["productCommentSummary"]["poorCount"]
        poorCommentsRate = commentsJson["productCommentSummary"]["poorRate"]
        phoneID = commentsJson["productCommentSummary"]["productId"]
 
        priceUrl = "http://p.3.cn/prices/mgets?skuIds=J_%s" % phoneID
        meta = 
            "phoneID": phoneID,
            "commentCount": commentCount,
            "goodCommentsCount": goodCommentsCount,
            "goodCommentsRate": goodCommentsRate,
            "generalCommentsCount": generalCommentsCount,
            "generalCommentsRate": generalCommentsRate,
            "poorCommentsCount": poorCommentsCount,
            "poorCommentsRate": poorCommentsRate,
        
        yield Request(priceUrl, callback=self.parse_phone_price, meta=meta)
 
        pageNum = commentCount / 10 + 1
        for i in range(pageNum):
            commentsUrl = "http://sclub.jd.com/productpage/p-%s-s-0-t-3-p-%d.html" % (phoneID, i)
            yield Request(commentsUrl, callback=self.parse_commnets)
参考技术A import json
str = str[(str.find('(')+1):str.rfind(')')] #去掉首尾的圆括号前后部分
dict = json.loads(str)
comments = dict['comments']
#然后for一下就行了

基于python的scrapy框架爬取豆瓣电影及其可视化

1.Scrapy框架介绍

技术图片

主要介绍,spiders,engine,scheduler,downloader,Item pipeline

scrapy常见命令如下:

技术图片

 

对应在scrapy文件中有,自己增加爬虫文件,系统生成items,pipelines,setting的配置文件就这些。

items写需要爬取的属性名,pipelines写一些数据流操作,写入文件,还是导入数据库中。主要爬虫文件写domain,属性名的xpath,在每页添加属性对应的信息等。

    movieRank = scrapy.Field()
    movieName = scrapy.Field()
    Director = scrapy.Field()
    movieDesc = scrapy.Field()
    movieRate = scrapy.Field()
    peopleCount = scrapy.Field()
    movieDate = scrapy.Field()
    movieCountry = scrapy.Field()
    movieCategory = scrapy.Field()
    moviePost = scrapy.Field()
import json

class DoubanPipeline(object):
    def __init__(self):
        self.f = open("douban.json","w",encoding=utf-8)

    def process_item(self, item, spider):
        content = json.dumps(dict(item),ensure_ascii = False)+"
"
        self.f.write(content)
        return item

    def close_spider(self,spider):
        self.f.close()

 

这里xpath使用过程中,安利一个chrome插件xpathHelper。

    allowed_domains = [douban.com]
    baseURL = "https://movie.douban.com/top250?start="
    offset = 0
    start_urls = [baseURL + str(offset)]


    def parse(self, response):
        node_list = response.xpath("//div[@class=‘item‘]")

        for node in node_list:
            item = DoubanItem()
            item[movieName] = node.xpath("./div[@class=‘info‘]/div[1]/a/span/text()").extract()[0]
            item[movieRank] = node.xpath("./div[@class=‘pic‘]/em/text()").extract()[0]
            item[Director] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/p[1]/text()[1]").extract()[0]
            if len(node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/p[@class=‘quote‘]/span[@class=‘inq‘]/text()")):
                item[movieDesc] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/p[@class=‘quote‘]/span[@class=‘inq‘]/text()").extract()[0]
            else:
                item[movieDesc] = ""
            
            item[movieRate] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/div[@class=‘star‘]/span[@class=‘rating_num‘]/text()").extract()[0] 
            item[peopleCount] = node.xpath("./div[@class=‘info‘]/div[@class=‘bd‘]/div[@class=‘star‘]/span[4]/text()").extract()[0]
            item[movieDate] = node.xpath("./div[2]/div[2]/p[1]/text()[2]").extract()[0].lstrip().split(xa0/xa0)[0]
            item[movieCountry] = node.xpath("./div[2]/div[2]/p[1]/text()[2]").extract()[0].lstrip().split(xa0/xa0)[1]
            item[movieCategory] = node.xpath("./div[2]/div[2]/p[1]/text()[2]").extract()[0].lstrip().split(xa0/xa0)[2]           
            item[moviePost] = node.xpath("./div[@class=‘pic‘]/a/img/@src").extract()[0]
            yield item

        if self.offset <250:
            self.offset += 25
            url = self.baseURL+str(self.offset)
            yield scrapy.Request(url,callback = self.parse)
     

 

这里基本可以爬虫,产生需要的json文件。

接下来是可视化过程。

我们先梳理一下,我们掌握的数据情况。

douban = pd.read_json(douban.json,lines=True,encoding=utf-8)
douban.info()

技术图片

 基本我们可以分析,电影国家产地,电影拍摄年份,电影类别以及一些导演在TOP250中影响力。

先做个简单了解,可以使用value_counts()函数。

douban = pd.read_json(douban.json,lines=True,encoding=utf-8)
df_Country = douban[movieCountry].copy()

for i in range(len(df_Country)):
    item = df_Country.iloc[i].strip()
    df_Country.iloc[i] = item[0]
print(df_Country.value_counts())

技术图片

美国电影占半壁江山,122/250,可以反映好莱坞电影工业之强大。同样,日本电影和香港电影在中国也有着重要地位。令人意外是,中国大陆地区电影数量不是令人满意。豆瓣影迷对于国内电影还是非常挑剔的。

douban = pd.read_json(douban.json,lines=True,encoding=utf-8)
df_Date = douban[movieDate].copy()

for i in range(len(df_Date)):
    item = df_Date.iloc[i].strip()
    df_Date.iloc[i] = item[2]
print(df_Date.value_counts())    

技术图片

2000年以来电影数目在70%以上,考虑10代才过去9年和打分滞后性,总体来说越新的电影越能得到受众喜爱。这可能和豆瓣top250选取机制有关,必须人数在一定数量以上。

douban = pd.read_json(douban.json,lines=True,encoding=utf-8)
df_Cate = douban[movieCategory].copy()

for i in range(len(df_Cate)):
    item = df_Cate.iloc[i].strip()
    df_Cate.iloc[i] = item[0]
print(df_Cate.value_counts())    

技术图片

剧情电影情节起伏更容易得到观众认可。

下面展示几张可视化图片

技术图片

 

技术图片

 

 技术图片

 不太会用python进行展示,有些难看。其实,推荐用Echarts等插件,或者用Excel,BI软件来处理图片,比较方便和美观。

第一次做这种爬虫和可视化,多有不足之处,恳请指出。

 

以上是关于如何在scrapy框架下用python爬取json文件的主要内容,如果未能解决你的问题,请参考以下文章

开源爬虫框架 Scrapy 快速入门

5分钟快速掌握 scrapy 爬虫框架

python应用:爬虫框架Scrapy系统学习第四篇——scrapy爬取笔趣阁小说

【scrapy爬虫实战】Discuz 论坛版块全部帖子信息爬取

Scrapy学习第八课

Scrapy学习第八课