爬虫实践项目--scrapy爬取当当网前100页数据

例如我们先要爬取当当网书籍类--青春文学--爱情情感的前100页书籍的图片，名字，价格

 1.创建一个scrapy文件

主页内容有scrapy的创建及使用方法可以进去查看

2.查看当当网对图书数据进行分析

 

 通过对网页数据的检查来获取到网页的url的地址以及通过xpath获取图片，书籍名称，价格

 3.在items.py中定义出你要爬取图片，价格，书籍名称

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

import scrapy


class ScrapyDangdang095Item(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 通俗的说就是你要下载的数据都有什么

    # 图片
    src = scrapy.Field()
    # 名字
    name = scrapy.Field()
    # 价格
    price = scrapy.Field()

 4.先爬取到第一页的图片，价格，书籍名称

打开创建的文件

import scrapy
from scrapy_dangdang_095.items import ScrapyDangdang095Item
from scrapy import Request

class DangSpider(scrapy.Spider):
    name = "dang"
    # 如果是多页下载的话 那么必须要体调整的是allowed_domains的范围 一般情况下只写域名
    allowed_domains = ["category.dangdang.com"]
    start_urls = ["https://category.dangdang.com/cp01.01.02.00.00.00.html"]

    base_url = 'http://category.dangdang.com/pg'
    page = 1


    def parse(self, response):
# pipelines   下载数据
# items       定义数据结构的
# 找src = //ul[@id="component_59"]//li//img/@src
# 找alt = //ul[@id="component_59"]//li//img/@alt
# 找price = //ul[@id="component_59"]//li//p[@class="price"]/span[1]/text()
# 所以的seletor的对象  都可以调用xpath方法
        li_list = response.xpath('//ul[@id="component_59"]//li')

        for li in li_list:
            src = li.xpath('.//img/@data-original').extract_first()
            # 第一张图片和其他的图片的标签的属性是不一样的
            # 第一张图片的src是可以使用的 其他的图片的地址是data-original
            if src:
                src = src
            else:
                src = li.xpath('.//img/@src').extract_first()
            name = li.xpath('.//img/@alt').extract_first()
            price = li.xpath('.//p[@class="price"]/span[1]/text()').extract_first()

            book = ScrapyDangdang095Item(src=src,name=name,price=price)

            # 获取一个book就将book交给pipelines
            yield book

 5.管道封装，并将第一页数据保存到管道

首先开启管道，在settings中找到ITEM_PIPELINES将其注释取消，打开管道

ITEM_PIPELINES = {
    # 管道可以有很多个 那么管道是有优先级的 优先级的范围是1到1000  值越小优先级越高
   "scrapy_dangdang_095.pipelines.ScrapyDangdang095Pipeline": 300,
}

然后将第一页数据保存到管道中，打开pipelines.py

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html


# useful for handling different item types with a single interface
from itemadapter import ItemAdapter

# 如果想使用管道的话那么就必须在settings中开启管道
class ScrapyDangdang095Pipeline:
    # 在爬虫文件开始之前就执行的方法
    def open_spider(self,spider):
        self.fp = open('book','w',encoding='utf-8')


    # itmes就是yield后面的book对象
    def process_item(self, item, spider):


        self.fp.write(str(item))


        return item

    # 在爬虫文件结束之后执行的方法
    def close_spider(self,spider):
        self.fp.close()

6.开启多条管道下载

再次打开pipelines.py

# 多条管道同时开启
#  (1) 定义管道类
#  (2) 在settings类中开启管道
# "scrapy_dangdang_095.pipelines.DangDangDownloadPipeline": 301,
class DangDangDownloadPipeline:
    def process_item(self, item, spider):

        url = 'http:' + item.get('src')
        filename = './books/' + item.get('name') + '.jpg'

        urllib.request.urlretrieve(url = url,filename = filename)

        return item

 同时在settings.py中定义一下多条管道

ITEM_PIPELINES = {
    # 管道可以有很多个 那么管道是有优先级的 优先级的范围是1到1000  值越小优先级越高
   "scrapy_dangdang_095.pipelines.ScrapyDangdang095Pipeline": 300,

   # DangDangDowenloadPipeline
   "scrapy_dangdang_095.pipelines.DangDangDownloadPipeline": 301
}

7.多页数据下载

 再次打开创建的文件，进行多数据下载

#   每一页的爬取的业务逻辑都是一样的，所以我们只需要将执行的那个页的请求再次调用parse方法就可以了
#   第二页
#   https://category.dangdang.com/pg2-cp01.01.02.00.00.00.html
#   第三页
#   https://category.dangdang.com/pg3-cp01.01.02.00.00.00.html

    base_url = 'http://category.dangdang.com/pg'
    page = 1

        if self.page < 100:
            self.page = self.page + 1

            url = self.base_url + str(self.page) + '-cp01.01.02.00.00.00.html'

#   怎么去调用pass方法
#   scrapy.Request就是scrapy的get请求
#   url就是请求地址
#   callback是你要执行的
            yield scrapy.Request(url=url,callback=self.parse)

8.原理结构图