scrapy爬虫天猫笔记本电脑销量前60的商品

Posted 2020-10-22 venmsu

# 抓取内容：商品名称，商品价格，商品链接，店铺名称，店铺链接

# 爬取的时候之前返回了多次302，301 但是html网页还是被爬取下来了

抓取的首页：

start_urls = [‘https://list.tmall.com/search_product.htm?spm=a220m.1000858.1000724.4.4b3df937tMXU1S&cat=50024399&sort=d&style=g&active=1&industryCatId=50024399&theme=663‘]

第一步：item.py编写

　　相信刚开始的准备工作不需要讲了（cmd---scrapy startproject tianmao-----scrapy genspider topgood tmall.com）

 1 import scrapy
 2 
 3 
 4 class TianmaoItem(scrapy.Item):
 5     # define the fields for your item here like:
 6     # name = scrapy.Field()
 7     GOODS_PRICE = scrapy.Field()  # 价格
 8     GOODS_NAME = scrapy.Field()  # 名称
 9     GOODS_URL = scrapy.Field()  # 商品链接
10     SHOP_NAME = scrapy.Field()  # 商店名称
11     SHOP_URL = scrapy.Field()  # 商店链接

注释：主要是介绍从一个网页获取商品价格名称链接，再通过链接爬取商店名称链接。所以挑了几个具有代表性的数据。

第二步：编写spiders

 

 1 # -*- coding: utf-8 -*-
 2 import scrapy
 3 from tianmao.items import TianmaoItem
 4 
 5 
 6 class TopgoodSpider(scrapy.Spider):
 7     name = ‘topgood‘
 8     allowed_domains = [‘list.tmall.com‘, ‘detail.tmall.com‘]  # 二级域名
 9 
10     start_urls = [‘https://list.tmall.com/search_product.htm?spm=a220m.1000858.1000724.4.4b3df937tMXU1S&cat=50024399&sort=d&style=g&active=1&industryCatId=50024399&theme=663‘]
11     
12     def parse(self, response):
13         divs = response.xpath("//div[@id=‘J_ItemList‘]/div[@class=‘product item-1111 ‘]/div") # 有的时候会出现标签变化的情况，需要自行修改
14         print(divs)
15         
16         for div in divs:
17             item = TianmaoItem()
18             # 价格
19             item[‘GOODS_PRICE‘] = div.xpath("p[@class=‘productPrice‘]/em/@title")[0].extract()  # 序列化该节点为unicode字符串并返回list
20             print(item)
21             # 名称//*[@id="J_ItemList"]/div[3]/div/div[2]/a[1]
22             item[‘GOODS_NAME‘] = div.xpath("div[@class=‘productTitle productTitle-spu‘]/a[1]/@title")[0].extract()
23             print(item)
24             pre_Product_Url = div.xpath("div[@class=‘productTitle productTitle-spu‘]/a[1]/@href").extract_first()
25             
26             if ‘http‘ not in pre_Product_Url:
27                 pre_Product_Url = response.urljoin(pre_Product_Url)
28             
29             item[‘GOODS_URL‘] = pre_Product_Url
30             print(item)
31             yield scrapy.Request(url=pre_Product_Url, meta={‘item‘: item}, callback=self.parse_detail,dont_filter=True)
32 
33     def parse_detail(self, response):
34         divs = response.xpath("//div[@class=‘extend‘]/ul")
35         
36         if len(divs) == 0:
37             self.log("Detail Page error --%s"%response.url)
38         
39         div = divs[0]
40         item = response.meta[‘item‘]
41         item[‘SHOP_NAME‘] = div.xpath("li[1]/div[1]/a/text()")[0].extract().strip()
42         item[‘SHOP_URL‘] = div.xpath("li[1]/div[1]/a/@href")[0].extract()
43         
44         yield item
45 # 要保存为csv的格式    scrapy crawl topgood -o result.csv

 

第三步：setting.py编写

BOT_NAME = ‘tianmao‘

SPIDER_MODULES = [‘tianmao.spiders‘]
NEWSPIDER_MODULE = ‘tianmao.spiders‘

LOG_FILE = ‘topgood.log‘
LOG_STDOUT=True
DEPTH_LIMIT = 2

# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"

# Output .csv  
FEED_URI = u‘goods.csv‘  
FEED_FORMAT = ‘CSV‘ 

DOWNLOAD_DELAY = 5

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
   ‘Accept‘: ‘text/html,application/xhtml+xm…plication/xml;q=0.9,*/*;q=0.8‘,
   ‘Accept-Encoding‘: ‘gzip, deflate, br‘,
   ‘Accept-Language‘: ‘zh-CN,zh;q=0.8‘,
   "Cookie":"自己访问该网站时候的cookie",
   "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36"
}

ITEM_PIPELINES = {
    ‘tianmao.pipelines.TianmaoPipeline‘: 300,
}

注：参数详解

 

# BOT_NAME   ---项目名称
# DEFAULT_REQUEST_HEADERS   ---默认请求头
# DEPTH_LIMIT   ---爬取网页的深度，默认零
# ITEM_PIPELINES   ---保存项目中启用的pipeline及其顺序的字典。该字典默认为空，值(value)任意。 不过值(value)习惯设定在0-1000范围内。

# LOG_ENABLED   ---是否启动logging
# LOG_ENCODING   ---logging的编码
# LOG_FILE   ---日志文件的文件名
# LOG_LEVEL   ---日志记录的级别   （CRITICAL、 ERROR、WARNING、INFO、DEBUG）
#                                （关键，     错误， 警告，    信息，调试）
# LOG_STDOUT   --- 默认: False
#               如果为 True ，进程所有的标准输出(及错误)将会被重定向到log中。
#               例如， 执行 print ‘hello‘ ，其将会在Scrapy log中显示。
# RANDOMIZE_DOWNLOAD_DELAY   ---默认为True，在相同网站获取数据时随机暂停
#                               DOWNLOAD_DELAY  默认为0
# ROBOTSTXT_OBEY  默认False，是否遵守robots.txt策咯
# FEED_FORMAT   --- 设置数据保存的形式
# FEED_URI   --- 保存数据的路径和文件名