python实战|用scrapy爬取当当网数据

Python进击者

发布于 2019-09-17 15:32:30

1.3K0

发布于 2019-09-17 15:32:30

文章被收录于专栏：JAVAandPython君

说在前面的话

在上一篇文章中我们介绍了scrapy的一些指令和框架的体系，今天咱们就来实战一下，用scrapy爬取当当网（网站其实大家可以随意找，原理都是一样）的数据。废话不多说，看下面↓

思路分析

当当网：

上图就是所谓的当当网，一个电商网站，我们随意找一个类别来进行爬取吧

就拿手机的界面来说事！

我们来抓取下图中红框的数据：

其实就三个数据，一个手机的名称以及相关的链接和评论的数量

大家可以从上图中可以看到这几个数据的标签位置，我们就可以直接通过xpath来进行简单的提取，xpath很简单，不会的朋友百度一下就明白了。

我们爬取完这些数据后就把这些数据存储到数据库当中。

正式操作啦

首先，因为我们要抓取网页中的标题、链接和评论数，所以我们首先得写items.py（具体的作用，我上篇文章有讲，大家可以去看一下）：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class DangdangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    link = scrapy.Field()
    comment = scrapy.Field()

我们需要抓取什么数据就调用scrapy.Field(）这个方法在上面的注释中官方有给出。

我们在这里添加完我们需要爬取的哪些数据后，我们在转向我们的爬虫文件，我们通过 scrapy genspider dd dangdang.com 创建了一个爬虫文件dd.py：

# -*- coding: utf-8 -*-
import scrapy
# 我们需要导入这个项目里的items.py中的类
from dangdang.items import DangdangItem
# 导入scrapy中的Request
from scrapy.http import Request
'''
爬取当当网上的链接等信息
'''
class DdSpider(scrapy.Spider):
    # 这里是爬虫的名称
    name = 'dd'
    # 这里是域名
    allowed_domains = ['dangdang.com']
    # 这里是我们要爬取的界面
    start_urls = ['http://category.dangdang.com/pg1-cid4004279.html']

    def parse(self, response):
        # 实例化对象
        item = DangdangItem()
        # 通过分析标签，我们可以依次得到相关的数据，并将它们赋值给item类中
        item["title"] = response.xpath("//a[@name='itemlist-title']/@title").extract()
        item["link"] = response.xpath("//a[@name='itemlist-title']/@href").extract()
        item["comment"] = response.xpath("//a[@name='itemlist-review']/text()").extract()
        # 提交数据，把数据传送给item类
        yield item

我把每一句话的解释都写在注解里了，其实这个爬虫文件才是真正的进行了爬取工作，它把爬取的数据全部传送给我们之前写的item.py里的类中，然后我们最后如果需要对数据进行处理，我们就需要进入pipelines.py进行数据的处理（比如添加到数据库或者写入txt中等等操作），接下来我们需要把我们所需要的数据存放至数据库。

在这之前我们需要进行两个操作！首先进入settings.py中，我们知道这里是我们整个项目的管理文件，我们找到如下代码：

# ITEM_PIPELINES = {
    # 'dangdang.pipelines.DangdangPipeline': 300,
# }

我们要把这里的注释给去掉，因为我们要去使用pipelines文件进行数据的处理，去掉之后：

ITEM_PIPELINES = {
    'dangdang.pipelines.DangdangPipeline': 300,
}

第二个也是在settings.py文件中：

ROBOTSTXT_OBEY = True

我们需要把它修改成False，因为大部分网站都是存在robots文件的，如果为true代表着我们遵循robots规则，这样会导致我们很多页面无法爬取，所以需要把它设置成False。

上面这两步处理之后，我们就可以正式写pipelines.py文件了（也就是可以正式操作数据了）

# -*- coding: utf-8 -*-
# 导入 pymysql库，这是python用于连接mysql数据库的专用库
import pymysql
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html


class DangdangPipeline(object):
    def process_item(self, item, spider):
        #连接数据库操作
        conn = pymysql.connect("localhost", "root", "LS985548459", "dangdang", charset='utf8')
        # 循环
        for i in range(0, len(item["title"])):
            # 获取每个标题
            title = item["title"][i]
            # 获取每个链接
            link = item["link"][i]
            # 获取每个评论
            comment = item["comment"][i]
            # 使用mysql语句进行插入数据表
            sql = "insert into goods(title,link,comment) values ('"+title+"','"+link+"','"+comment+"');"
            try:
               #执行sql语句
               conn.query(sql)
               #提交语句，这句话必须写，否则无法成功！
               conn.commit()
            except Exception as e:
                print(e)
        # 关闭连接
        conn.close()
        return item

同样我把每一行的解释都写在了注释里面，如仍有疑问的，可以私聊我~

最后我们通过 scrapy crawl dd --nolog 运行一下我们的爬虫，运行完后，打开我们的数据库，发现已经完成添加了！