本文使用了python中的requests库、bs4库、re库以及os库
第一部分、步骤概述:
- 在京东商品首页搜索指定商品类型
- 确定爬取内容
- requests库获取页面信息,
- BeautifulSoup库和正则表达式配合提取信息
- 将提取的信息打印输出或者保存到本地文件夹
第二部分、步骤细则:
- 打开京东商品首页,在这里我们搜索羽绒服,当然你也可以改成别的商品类型,例如书包
- 确定我们想要爬取的信息,是以羽绒服为关键词的京东商品页面的商品名称,商品价格,以及是否京东自营 -
- 接下来的步骤,可以在下面几个函数中实现:
我们大致需要以下五个函数:
函数一:
# 用给定的链接(url)结合requests库抓取网页信息,返回html文件
def get_html(url0):
pass
函数二:
# 从以得到的html文件中,使用BeautifulSoup和正则表达式获取我们想要的商品信息(result)
def get_info(html_text0):
pass
函数三:
# 将得到的商品信息(result)打印出来
def print_info(result0):
pass
函数四:
# 从商品页面(html文件)中使用BeautifulSoup和正则表达式获取商品图片网址
#并储存到一个列表中(pic_list),最后将此列表作为函数返回值返回
def get_pic(html_text0):
pass
函数五:
# 此函数用来下载图片,root为想要储存图片的地址,pic_list0为商品图片网址列表
def download_pic(root, pic_list0):
pass
- 最后再用一个main函数调用以上函数即可
第三部分、展示一下效果图:
注:爬取所得到的信息会随着页面内容的更新而变化,所以你今天抓取的内容和昨天的可能会不一样,时间再久一点的话,可能代码相应地方也要修改
第四部分、接下来和大家一起分析代码正文部分:
一、
注:代码的解释在注释里,仔细看看
首先,我们看一下main函数:
def main():
goods = '书包' # 第一步中的商品类型,你改成书包也是可以的
root = 'D:/desktop/jd_spider4/' # 用来保存图片的地址,你可以改成你自己的地址
url = 'https://search.jd.com/Search?keyword='+goods # 要爬取的链接,你可以先在浏览器打开此链接瞧一瞧
html_text = get_html(url) # 接下来是分别调用函数,不做解释
result = get_info(html_text)
print_info(result)
pic_list = get_pic(html_text)
download_pic(root, pic_list)
二、
再看看get_html函数
def get_html(url0): # url0即main函数里的那个地址
header = {'user-agent': 'Mozilla/5.0'} # 一个模拟浏览器的请求头,不用这个的话,请求头就是python的一个爬虫程序
try:
r = requests.get(url0, headers=header) # get页面信息
r.raise_for_status() # 状态码,200表示成功,只要状态码不是200,则expect语句生效
r.encoding = r.apparent_encoding # 编码问题,详情可以单独搜索,不难理解
return r.text # 返回页面信息
except:
return '爬取失败'
三、
这是图片一,在注释中会提及
def get_info(html_text0): # html_text0参数即get_html返回的页面信息
result = [] # 空列表,用来储存第二步确定的商品信息
soup = BeautifulSoup(html_text0, 'lxml') # 做一锅汤,以便提取信息
tags = soup.find('ul', class_='gl-warp clearfix') # BeautifulSoup里的find函数,至于里面的参数选择原因,看看上面的图片一
pat = re.compile(r'<i>[.\d]*</i>') # 正则表达式
pat2 = re.compile(r'京东自营')
for tag in tags.children: # 由图片一中我们可以看出,使用children函数可以获取每个商品信息的标签内容,再实行遍历即可
if isinstance(tag, bs4.element.Tag): # 判断是否为标签类型
try:
price_ = pat.search(str(tag)).group(0)
price = re.search(r'[.\d]+(?=<)', price_).group(0) # 正则表达提取价格信息
name_ = (tag.find('div', class_='p-name p-name-type-2')).find('em').text
name = re.sub(r'(\s+|京东超市)', '', name_) # 正则表达提取商品名称
ziying_ = pat2.search(str(tag))
if ziying_:
ziying = ziying_.group(0)
else:
ziying = '非自营'
result.append([name, price, ziying]) # 储存信息
except:
print('')
return result
四、
再看看打印输出信息的函数
def print_info(result0): # 打印输出所得信息,这里主要是用到了format函数,了解这个函数的话,这几行代码不难
tplt = "{:^4}\t{:^8}\t{:^8}\t{:26}"
print(tplt.format('商品序号', '商品价格', '是否自营', '商品名称'))
for i in range(len(result0)):
print(tplt.format(i + 1, result0[i][1], result0[i][2], result0[i][0]))
五、
这是获得商品图片链接的函数
def get_pic(html_text0): #
soup = BeautifulSoup(html_text0, 'lxml')
tags = soup.find_all('ul', class_='ps-main')
pic_href = []
pat3 = re.compile(r'(?<=data-lazy-img=").*?\.jpg')
for tag in tags:
if isinstance(tag, bs4.element.Tag):
pic_ = pat3.findall(str(tag))
pic_href.append(pic_)
print(pic_href)
return pic_href
六、
最后是利用图片链接下载图片的函数,主要是利用os模块进行存储文件,了解os模块即可,不做过多解释
def download_pic(root, pic_list0):
header = {'user-agent': 'Mozilla/5.0'}
if not os.path.exists(root):
os.mkdir(root)
count = 0
for pics in pic_list0:
count += 1
path_goods = root + '商品序号{}/'.format(count)
if not os.path.exists(path_goods):
os.mkdir(path_goods)
for i in range(len(pics)):
path = path_goods + 'picture{}.jpg'.format(i)
print(path)
pic_url = 'http:' + pics[i]
print(pic_url)
try:
if not os.path.exists(path):
r = requests.get(pic_url, headers=header)
r.raise_for_status()
with open(path, 'wb') as f:
f.write(r.content)
print('文件保存成功')
else:
print('文件已经存在')
except:
print('爬取出现异常')
七、
至此,所有代码已给出。花了有七八个小时才得出上述结果,但是比较开心的是以前都是模仿别人的代码,这一次是完完全全自己编写出来的,虽然代码很水(哈哈)。
八、
关于这一篇博客,因为能力不足,我还存在一些问题。
上述代码只能爬取到指定页面的30个商品信息,而实际上从浏览器上打开每一页有60个商品,在浏览器划到30个商品的时候,页面会刷新一下又出现另外30个商品信息,而这30个商品信息我不知道该怎么办。
正如标题所言,这是定向爬取,只爬取了一个页面,而如果想要爬取更多页面的商品信息也不难,在这里给出我的分析。首先看看这个网址:https://search.jd.com/Search?keyword=%E7%BE%BD%E7%BB%92%E6%9C%8D&page=3&s=56&click=0,这是京东商品搜索羽绒服的第二页的网址,你可以发现page=3代表第二页,而page=1正好是第一页,所以你写个循环即可。但是别循环太多,两三页即可,京东的robots协议不允许爬虫。
最后、
如果你看了我的博客,有啥问题不明白可以问我,有错误的地方也非常欢迎指点。
import requests
import bs4
from bs4 import BeautifulSoup
import re
import os
def get_html(url0):
header = {'user-agent': 'Mozilla/5.0'}
try:
r = requests.get(url0, headers=header)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return '爬取失败'
def get_info(html_text0):
result = []
soup = BeautifulSoup(html_text0, 'lxml')
tags = soup.find('ul', class_='gl-warp clearfix')
pat = re.compile(r'<i>[.\d]*</i>')
pat2 = re.compile(r'京东自营')
for tag in tags.children:
if isinstance(tag, bs4.element.Tag):
try:
price_ = pat.search(str(tag)).group(0)
price = re.search(r'[.\d]+(?=<)', price_).group(0)
name_ = (tag.find('div', class_='p-name p-name-type-2')).find('em').text
name = re.sub(r'(\s+|京东超市)', '', name_)
ziying_ = pat2.search(str(tag))
if ziying_:
ziying = ziying_.group(0)
else:
ziying = '非自营'
result.append([name, price, ziying])
except:
print('')
return result
def print_info(result0):
tplt = "{:^4}\t{:^8}\t{:^8}\t{:26}"
print(tplt.format('商品序号', '商品价格', '是否自营', '商品名称'))
for i in range(len(result0)):
print(tplt.format(i + 1, result0[i][1], result0[i][2], result0[i][0]))
def get_pic(html_text0):
soup = BeautifulSoup(html_text0, 'lxml')
tags = soup.find_all('ul', class_='ps-main')
pic_href = []
pat3 = re.compile(r'(?<=data-lazy-img=").*?\.jpg')
for tag in tags:
if isinstance(tag, bs4.element.Tag):
pic_ = pat3.findall(str(tag))
pic_href.append(pic_)
# print(pic_href)
return pic_href
def download_pic(root, pic_list0):
header = {'user-agent': 'Mozilla/5.0'}
if not os.path.exists(root):
os.mkdir(root)
count = 0
for pics in pic_list0:
count += 1
path_goods = root + '商品序号{}/'.format(count)
if not os.path.exists(path_goods):
os.mkdir(path_goods)
for i in range(len(pics)):
path = path_goods + 'picture{}.jpg'.format(i)
print(path)
pic_url = 'http:' + pics[i]
print(pic_url)
try:
if not os.path.exists(path):
r = requests.get(pic_url, headers=header)
r.raise_for_status()
with open(path, 'wb') as f:
f.write(r.content)
print('文件保存成功')
else:
print('文件已经存在')
except:
print('爬取出现异常')
def main():
goods = '羽绒服'
url = 'https://search.jd.com/Search?keyword='+goods
html_text = get_html(url)
result = get_info(html_text)
print_info(result)
pic_list = get_pic(html_text)
root = 'D:/desktop/jd_spider3/'
download_pic(root, pic_list)
main()