爬虫学习:scrapy爬取京东图书,详情页url地址对应的响应并不能满足数据提取的需要price字段(即当前url地址对应的响应与element中不一样存在缺失,所以需要构造能够获取价格的请求)
# -*- coding: utf-8 -*-
import copy
import json
import requests
import scrapy
class JdSpider(scrapy.Spider):
name = 'jd'
#由于请求商品详情的时候超出了jd.com域 所以需要手动添加
allowed_domains = ['jd.com','p.3.cn']
start_urls = ['https://book.jd.com/booksort.html']
def parse(self, response):
#获取分类标签的列表,采用分块提取的方法
fir_sort_list = response.xpath("//div[@class='mc']/dl/dt")
for fir_sort in fir_sort_list:
item = {}
item["fir_sort_name"] = fir_sort.xpath(".//text()").extract_first()
#获取当前节点的后一个dd节点的xpath语法。同样也是和上面一样分块提取数据
sec_sort_list = fir_sort.xpath("./following-sibling::dd[1]/em")
for sec_sort in sec_sort_list:
item["sec_sort_name"]=sec_sort.xpath("./a/text()").extract_first()
if item["sec_sort_name"]:
item["sec_sort_name"] = item["sec_sort_name"].strip()
detail_page_url = sec_sort.xpath("./a/@href").extract_first()
#获取图书列表页的url地址,并进行判断是否有下一页在发送请求
if detail_page_url:
detail_page_url = "https:"+detail_page_url
yield scrapy.Request(
detail_page_url,
callback=self.book_list,
#避免某些字段被覆盖所以拷贝一份进行操作
meta={"item":copy.deepcopy(item)}
)
def book_list(self,response):
item = response.meta['item']
book_list = response.xpath("//li[@class='gl-item']")
for book in book_list:
item["bk_name"] = book.xpath(".//div[@class='p-name']//em/text()").extract_first().strip()
book_detail_url = book.xpath("./div[@class='gl-i-wrap j-sku-item']/div[@class='p-img']/a/@href").extract_first()
#发送详情页的请求
if book_detail_url:
book_detail_url = "https:" + book_detail_url
yield scrapy.Request(
book_detail_url,
callback=self.deal_book_detail,
meta={"item":copy.deepcopy(item)}
)
next_page_url=response.xpath("//a[text()='下一页']/@href").extract_first()
#实现图书列表页的翻页
if next_page_url:
next_page_url="https://list.jd.com" + next_page_url
yield scrapy.Request(
next_page_url,
callback=self.book_list,
#传递给本函数的数据 是上一个函数传递过来没有添加新字段的字典
meta={"item":response.meta['item']}
)
def deal_book_detail(self,response):
item = response.meta['item']
item["bk_img"] = response.xpath("//div[@id='spec-n1']/img/@src").extract_first()
if item["bk_img"]:
item["bk_img"] = "https" + item["bk_img"]
item["bk_publisher"] = response.xpath("//ul[@id = 'parameter2']/li[1]/@title").extract_first()
bk_sku = response.xpath("//ul[@id='parameter2']/li[contains(text(),'商品编码')]/@title").extract_first()
price_url = "https://p.3.cn/prices/mgets?&skuIds=J_" + str(bk_sku)
###为了获取价格 重新发送请求[1.查看资源是否在当前响应中,如果没有的话进行全局搜索关键字, 找到这个请求所在的文件,分析其发送请求的特点[参数都有什么,都是什么,怎么生成的],而后构造请求 ]
yield scrapy.Request(
price_url,
callback=self.bk_price,
meta={"item": copy.deepcopy(item)}
)
def bk_price(self,response):
item = response.meta["item"]
item['bk_price'] = json.loads(response.body.decode())[0]['op']
yield item