selenium 和 scrapy 配合爬取京东

selenium 和 scrapy 配合爬取京东

spider

import scrapy
from JD.items import JdItem
from selenium import webdriver
from selenium.webdriver.firefox.options import Options


class JdSpider(scrapy.Spider):
    name = 'Jd'
    # 爬虫域
    allowed_domains = ['jd.com']
    # 起始链接
    start_urls = ['https://list.jd.com/list.html?cat=670,671,672']

    def __init__(self):
        """ 
        在爬虫内初始化 selenium 
        减少 selenium 的开关次数
        """
        super().__init__()
        # 无界面模式
        # self.firefox = Options()
        # self.firefox.add_argument('--headless')
        # self.browser = webdriver.Firefox(firefox_options=self.firefox)
        # 有界面
        self.browser = webdriver.Firefox()
        # 超时设置
        self.browser.set_page_load_timeout(15)

    def closed(self, spider):
        """ 爬虫结束自动关闭 selenium """
        self.browser.close()
        self.browser.quit()

    def parse(self, response):
        item = JdItem()
        li_list = response.xpath('//ul[@class="gl-warp clearfix"]/li')
        for li in li_list:
            url = li.xpath('.//div[@class="p-name"]/a/@href').extract()[0]
            item['url'] = 'https:' + url
            item['name'] = li.xpath('.//div[@class="p-name"]//em/text()').extract()[0].strip()
            item['price'] = li.xpath('.//div[@class="p-price"]/strong[@class="J_price"]/i/text()').extract()[0]
            item['comment'] = li.xpath('.//div[@class="p-commit p-commit-n"]//a[@class="comment"]//text()').extract()[0]
            yield item
        next_page = response.xpath('.//a[@class="pn-next"]/@href').extract()
        if next_page:
            next_page = 'https://list.jd.com' + next_page[0]
            yield scrapy.Request(next_page, callback=self.parse)

Middlewares

修改 JdDownloaderMiddleware 中的 process_response() 方法

from scrapy.http import HtmlResponse
class JdDownloaderMiddleware(object):
	def process_response(self, request, response, spider):
	    if spider.name == 'Jd':
	    	# 使用 selenium 打开链接 返回渲染页面
	        spider.browser.get(url=request.url)
	        # 模拟下拉浏览器
	        js = "window.scrollTo(0,document.body.scrollHeight)"
	        spider.browser.execute_script(js)
	        row_response = spider.browser.page_source
	        return HtmlResponse(url=spider.browser.current_url, body=row_response, encoding="utf8", request=request)
	    else:
	        return response

items

import scrapy

class JdItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    url = scrapy.Field()
    name = scrapy.Field()
    price = scrapy.Field()
    comment = scrapy.Field()

settings

打开 setting中 的 DOWNLOADER_MIDDLEWARES 和 ITEM_PIPELINES,在终端运行爬虫就可以看到爬到的内容了。

pipelines

打开 settings 中的 ITEM_PIPELINES 后就可以在 pipelines 中将爬到的数据保存在数据库中
mongodb 没有格式限制,还可以自动创建不存在的库,直接添加数据即可。

from pymongo import MongoClient

client = MongoClient(host='IP', port=27017)
collection = client['库']['集合']

class JdPipeline(object):
    def process_item(self, item, spider):
    	# 需要转换为字典格式才能存入数据库
        collection.save(dict(item))
        return item
  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值