由于想要了解一下友商的产品信息,所以简单的写一下爬取他们信息的爬虫
$ scrapy startproject Dahua
$ cd Dahua
$ scrapy genspider dahua dahuatech.com
scrapy
脚手架创建一个项目dahua
的爬虫,它的爬取范围是 dahuatech.com
域名下产品类别url地址为:http://www.dahuatech.com/product.html
所以修改开始的url start_urls
class DahuaSpider(scrapy.Spider):
name = 'dahua' # 爬虫名称
allowed_domains = ['dahuatech.com'] # 允许爬取域名
start_urls = ['https://www.dahuatech.com/product.html'] # 请求的第一个url
def parse(self, response):
pass
需要爬取的为设备的具体信息
所以先在 Dahua/items.py
写上
import scrapy
class DahuaItem(scrapy.Item):
url = scrapy.Field() # 产品详情地址
product_name = scrapy.Field() # 产品名称
product_description = scrapy.Field() # 产品描述
product_overview = scrapy.Field() # 产品概述
technical_parameter = scrapy.Field() # 技术参数
dimension_drawing = scrapy.Field() # 尺寸图
order_type = scrapy.Field() # 订货型号
从第一个页面可以看出,设备分成了很多大类,大类中又有很多的小类
所以我们先拿到全部小类的url地址
使用 XPathHelper
工具进行 Xpath
定位
由于我懒得解析太多Xpath,所以我取用了离要获取的url最大层级的 div
标签
对应的URL的Xpath为://div[@class='product-channel-list f-cb']//a/@href
对呀的文字的Xpath为://div[@class='product-channel-list f-cb']//a/text()
所以爬虫中第一个解析函数 parse
def parse(self, response):
print('正在爬取全部产品类别')
url_list = response.xpath("//div[@class='product-channel-list f-cb']//a/@href").extract()
productlist_list = response.xpath("//div[@class='product-channel-list f-cb']//a/text()").extract()
productlist_list = productlist_list
for url, productlist in zip(url_list, productlist_list):
if url.startswith('http'):
yield scrapy.Request(url=url, callback=self.parse_productlist, meta={'productlist': productlist})
任意点击一个小类进入如下页面
包含了 设备名称
, 描述信息
。
查看详情
按钮是进入设备详情页的
所以这儿需要获取到3个Xpath
全部的 查看详情
: //li//span[1]//a/@href
全部的 设备名称
: //div[@class='product-list-b']//ul[@class='f-cb']//h3/text()
全部的 描述信息
: //div[@class='product-list-b']//ul[@class='f-cb']//a/p[1]/text()
所以代码为:
def parse_productlist(self, response):
print('正在爬取产品列表')
url_list = response.xpath('//li//span[1]//a/@href').extract()
product_name_list = response.xpath("//div[@class='product-list-b']//ul[@class='f-cb']//h3/text()").extract()
product_description_list = response.xpath(
"//div[@class='product-list-b']//ul[@class='f-cb']//a/p[1]/text()").extract()
for url, product_name, product_description in zip(url_list, product_name_list, product_description_list):
yield scrapy.Request(url=url, callback=self.parse_productdetail,
meta={
'productlist': response.meta['productlist'],
'product_name': product_name,
'product_description': product_description
})
page_list = response.xpath("//div[@class='news-page w1400']//a/@href").extract()
page_list = [i for i in page_list if i.startswith('http')]
if page_list:
for url in page_list:
yield scrapy.Request(url=url, callback=self.parse_productlist,
meta={'productlist': response.meta['productlist']})
往处理详情页的地方传入了 product_name
和 product_description
也就是设备名称,设备描述
由于部分页面有多页,所以也做了页面的跳转
page_list = response.xpath("//div[@class='news-page w1400']//a/@href").extract()
page_list = [i for i in page_list if i.startswith('http')]
if page_list:
for url in page_list:
yield scrapy.Request(url=url, callback=self.parse_productlist,
meta={'productlist': response.meta['productlist']})
本来这里要处理重复页面的,但是由于 Scrapy
自带了缓存机制,它会跳过爬取相同的 url
,所以就这样了~
进入详情页后发现数据是动态出现的,使用抓包的方式很容易可以发现它应该ajax请求的方式刷新数据
当前页面:https://www.dahuatech.com/product/info/93.html
ajax
请求页面:https://www.dahuatech.com/ajax/product/93/1
其中相同的部分为 93
由于我懒得再爬一层,所以直接用 requests
发起了 get
请求
def parse_productdetail(self, response):
print('正在爬取产品详情')
base_url = 'https://www.dahuatech.com/ajax/product/%s/%s'
item = DahuaItem()
product_num = re.findall(r'http.*?info/(\d+).html.*?', response.url)
product_num = product_num and int(product_num[0])
# 产品详情地址
item['url'] = response.url
# 产品名称
item['product_name'] = response.meta['product_name']
# 产品描述
item['product_description'] = response.meta['product_description']
# 产品概述
item['product_overview'] = re.findall(r'<div class="one_content">(.*?)</div>',
requests.get(base_url % (product_num, 1)).text,
re.S | re.M)[0]
# 技术参数
item['technical_parameter'] = requests.get(base_url % (product_num, 2)).text
# 尺寸图
item['dimension_drawing'] = re.findall(r'src=".*?"',
requests.get(base_url % (product_num, 3)).text,
re.S | re.M)[0]
# 订货型号
item['order_type'] = re.findall(r'>(.*?)</p',
requests.get(base_url % (product_num, 4)).text,
re.S | re.M)[0]
yield item
使用最简单的数据持久化方式:写入json
修改 Dahua/pipelines.py
import json
class DahuaPipeline(object):
def open_spider(self, spider):
self.file = open('dahua.json', 'w')
def process_item(self, item, spider):
content = json.dumps(dict(item), ensure_ascii=False) + '\n'
self.file.write(content)
return item
def close_spider(self, spider):
self.file.close()
一次爬取分为三步:
dahua.json
文件dahua.json
文件Dahua/settings.py
ROBOTSTXT_OBEY = False
ITEM_PIPELINES = {
'Dahua.pipelines.DahuaPipeline': 300,
}
在外部使用
$ scrapy crawl dahua