爬取准备:
爬取页面:京东商品
爬取url: https://wqs.jd.com/data/coss/important/msportal_recovery.shtml?tpl=index或m.jd.com
(一个常被用来借鉴的网站,因为,效果做的真的很厉害)
爬取技术: scrapy(需要python,html技术,若需要存入数据库,则需掌握数据库语言)
爬取目的:获取商品以及商品详情
记录一下自己入坑和出坑的过程:
入坑篇:
1. 准备好python环境后,就会给它安装第三方库,利用pip这个东西,以此来安装scrapy
常用的命令:pip list (查看),
pip install 库名@版本(安装第三方库)
pip uninstall 库名(卸载第三方库)
pip list: 查看是否安装成功
安装成功后,新建scrapy项目,
新建命令:scrapy startproject jdScrapy(jdScrapy为项目名) 此为建项目
建立后:
建了项目,只是做好铺垫,还要放虫子:
scrapy genspider jdspider https://wqs.jd.com/data/coss/important/msportal_recovery.shtml?tpl=index
jdspider为爬虫名
配置settings.py(管道类对应的值越小,优先级越高):
SPIDER_MIDDLEWARES = { 'jdScrapy.middlewares.JdscrapySpiderMiddleware': 543, }
DOWNLOADER_MIDDLEWARES = { 'jdScrapy.middlewares.JdscrapyDownloaderMiddleware': 543, 'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None, 'jdScrapy.rotate_useragent.RotateUserAgentMiddleware': 400, # 可选 # 'scrapy_splash.SplashCookiesMiddleware': 723, # 'scrapy_splash.SplashMiddleware': 725, 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810, }
ITEM_PIPELINES = { # 根据自己需求配置,若要保存在数据库中,这里要加管道jdScrapy.pipelines.MysqlPipeline(mysql数据库) # 'jdScrapy.pipelines.JdscrapyPipeline': 300, 'jdScrapy.pipelines.JsonPipeline': 400, }
2. 项目准备好了,最重要的一步来了:
分析京东源代码:
注意,此刻只获取了京东商品,商品详情需要通过点击商品点击进入查看,商品详情里面包括了同件商品的不同颜色,类型等图片,如下图:
分析网页的目的是为了知道数据的结构,后续以通过xpath去获取。
3. 分析完后,就可以知道自己要获取的字段有哪些(items.py):
4. 准备写爬虫具体代码(jdspider.py):
5. 管道准备(数据会保存在哪里,根据settings配置决定,目前我只保留json格式,并创建文件)(pipelines.py)
注意,1. 类名要和settings.py中的配置相同;
2. 一定要返回item,不然,你的数据进来了就出不去了
6. 运行
一切准备好后,就可以运行了
运行方式有多种,许多人采用的是通过命令的方式: scrapy crawl jdspider
但是,我想写一个入口文件(main.py)来运行,注意的是,
main.py内容: from scrapy.cmdline import execute import os import sys if __name__ == '__main__': sys.path.append(os.path.dirname(os.path.abspath(__file__))) # 这里找到运行文件 execute(['scrapy', 'crawl', 'jdspider']) # 想想和命令式也差不多。。。
7. 坑来了:
网页倒是200,访问到了,但是数据全为空!!!,因为是js渲染的数据呀!!!!!!
经过我CV工程师的努力,终于知道怎么破解了,,,采用splash(终于点题了)
出坑篇:
感觉比较麻烦,,,,但好歹结果是好的。
1. splash需要docker,安装docker:(网上有许多方式,现在简单介绍下自己的安装历程)
1. 去下载dock Desktop,下图是完全安装好并运行的图:
2. 下载好后,确保虚拟化技术(VT)开启:在电脑的开发者模式中(不同电脑开启开发者模式不同,VT位置也不同)
开启后查看确认:(注意的是可能要提醒多次重启)
3. 修改启动项:bcdedit /set /hypervisorsettings auto 设置虚拟机监控程序的参数
4. docker Desktop会提示安装WSL2(根据情况而定自己是否安装,会下载后默认安装)
5. 若能正确启动docker Desktop,最后就安装scrapy-splash吧:
docker 启动安装 docker run -d -p 8050:8050 -p 5023:5023 scrapinghub/splash
安装之后:
鼠标放在上面有许多选项,启动(关闭),log日志等等。
只要启动好就行了,不用就关闭就好了!!!
6. 修改之前的代码:
settings.py:
SPIDER_MIDDLEWARES = { # 'jdScrapy.middlewares.JdscrapySpiderMiddleware': 543, 'scrapy_splash.SplashDeduplicateArgsMiddleware': 100, }
#设置渲染服务的url,这是js渲染的关键之所在,这里的url即为刚刚开启Docker的Ip(localhost即可)加splash服务指定的端口 SPLASH_URL="http://localhost:8050"
DOWNLOADER_MIDDLEWARES = { 'jdScrapy.middlewares.JdscrapyDownloaderMiddleware': 543, # 在网址不存在反爬虫机制的情况下,不需要反爬虫 'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None, # 'jdScrapy.rotate_useragent.RotateUserAgentMiddleware': 400, 'scrapy_splash.SplashCookiesMiddleware': 723, 'scrapy_splash.SplashMiddleware': 725, 'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810, }
# 去重过滤器 DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter' #使用splash的http缓存 HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
ITEM_PIPELINES = { # 'jdScrapy.pipelines.JdscrapyPipeline': 300, 'jdScrapy.pipelines.JsonPipeline': 400, }
jdspider.py:
import scrapy from jdScrapy.items import JdscrapyItem from scrapy_splash import SplashRequest class JdspiderSpider(scrapy.Spider): name = 'jdspider' allowed_domains = ['https://wqs.jd.com/data/coss/important/msportal_recovery.shtml?tpl=index'] start_urls = ['https://wqs.jd.com/data/coss/important/msportal_recovery.shtml?tpl=index'] def start_requests(self): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36' } for url in self.start_urls: yield SplashRequest(url, callback=self.parse, headers=headers) def parse(self, response): headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.40' } print("response",response) businessItem = response.xpath('//div[@id="recFloor"]/div[@class="floor-the-container"]/ul/li') # print("businessItem",businessItem) # print(len(businessItem)) for item in businessItem: # print(item.xpath('./a/div/div/img/@src')) business = JdscrapyItem() business['b_pic'] = item.xpath('./a/div/div/img/@src').extract() business['b_title'] = item.xpath('./a/div/span/text()').extract() business['b_price'] = item.xpath('./a/div/p/span/span/text()').extract() business['b_jump_href'] = item.xpath('./a/@jump-href').extract() yield business pass
结果:
7. 这个都爬取出来了,详情还远吗?
再次修改代码:
增加爬取item:
items.py:
(jdspider.py)
这里需要注意: meta是带参数过去到detailScrapy函数中去
这里通过response.meta['键'] 获取
做到这一步了,应该行了吧??
错,,,,还是报错了。。。。
如果不注意,,,,还真的,,,没注意。。。
[scrapy.spidermiddlewares.offsite] DEBUG: Filtered offsite request to 'item.m.jd.com': <GET https://item.m.jd.com/product/44005321149.html>
无法识别域名,因为我在我的jdspider.py中:
没有错误中报的: ‘item.m.jd.com’ ,,,所以,加上吧:
最后...成功了!!!!!!
最后注意: 由于scrapy是通过异步多线程的方式爬取内容,所以爬取的内容会乱,所以,在爬取详情时通过id这个东西做标识,以判断是哪条数据的详情。
补充几点:
1. [scrapy_splash.middleware] WARNING: Currently only GET and POST requests are supported by SplashMiddleware; 如果报这个错,,看看headers是否有问题,我出现这个问题是由于headers放在了args前面。。。或者headers本身有问题。
2. 在爬取的时候,出现了一个问题,
没错,就是出了这个问题,401,,,
之前还出过400,,,就是因为出现了这个问题,,我的获取详情函数detailScrapy都没有运行,要想detailScrapy运行,只要忽视就好了:
settings.py增加: HTTPERROR_ALLOWED_CODES = [401]
即使这样,依旧无法获取到相关数据。。。。还要加油!!!
3. 由补充2可知:运行scrapy时,有几种运行记录
[scrapy.core.engine]
[scrapy.core.scraper]
[scrapy.spidermiddlewares.httperror] 遇到这个就有问题了。。。
还有其他的,这是我遇见的错。。。。。
4. 本想查一下scrapy.Request() 和 SplashRequest() 和 response.follow()区别与注意点,还有一个,scrapy.http.Request(),,,但感觉,,,,都差不多,只有SplashRequest()有点差别外,就作罢吧!!!
Finish!