实现业务逻辑如下:
1. 创建scrapy项目,并生成 爬虫
2. 在suning.py中实现Schedul 和 Spider业务逻辑
3. 修改start_urls为正确的初始请求地址
4. 构造parse(self,response)函数(底部封装自动发送请求,)获取响应
5. 根据响应,使用xpath提取大分类和中间分类的list
6. 根据上述得到的list再遍历,使用xpath提取我们需要的内容字段,存入刚构建的空dict中
7. 如果要进入到下一个商品列表页面,则 yield 一个Requset对象,指明要进入的url,callback,以及把item通过meta传到列表页响应中。
8. 构建callback对应的商品列表页面数据提取函数 parse_book_list(self,response),使用xpath提取我们需要的内容字段,使用yield response.yellow()构造请求,指明要进入的url(使用的是follow,所以可以是不完整的url),callback,以及把item通过meta传到详情页响应中。
9. 构建callback对应的商品详情页面数据提取函数 parse_book_detail(self,response),使用xpath提取我们需要的内容字段,字段提取完成后,就可以把item返回了,yield item。
10. 构建分类页中的后一部分图书列表数据请求,首先找到next_url,然后构造Request。
11. 上述最终yield 的item 通过在settings中设置spiderpiplelines,就会进入指定的spiderpiplelines中通过process_item()进行进一步数据处理,比如清洗和保存。
12. 另外在Downloader Middlewares中还可以设置open_spider(),close_spider(),做相应处理。
# 注意点,scrapy框架底层实现了多线程,所以item传递时,为避免数据覆盖错位情况,需要使用deepcopy()传递下去。
下面直接上代码:
# suning.py # -*- coding: utf-8 -*- import scrapy import re from copy import deepcopy class SuningSpider(scrapy.Spider): name = 'suning' allowed_domains = ['suning.com'] start_urls = ['https://book.suning.com/'] def parse(self, response): #获取大分类的分组 div_list = response.xpath("//div[@class='menu-list']/div[@class='menu-item']") # 和大分类呼应的中间分类组 div_sub_list = response.xpath("//div[@class='menu-list']/div[@class='menu-sub']") for div in div_list[:1]: item = {} #大分类的名字--eg:文学艺术 item["b_cate"] = div.xpath(".//h3/a/text()").extract_first() #当前大分类的所有的中间分类的位置 current_sub_div = div_sub_list[div_list.index(div)] #获取中间分类的分组--eg: 小说,青春文学 p_list = current_sub_div.xpath(".//div[@class='submenu-left']/p[@class='submenu-item']") for p in p_list: #中间分类的名字 item["m_cate"] = p.xpath("./a/text()").extract_first() #获取小分类的分组 li_list = p.xpath("./following-sibling::ul[1]/li") for li in li_list: #小分类的名字 item["s_cate"] = li.xpath("./a/text()").extract_first() #小分类的URL地址 item["s_href"] = li.xpath("./a/@href").extract_first() #请求图书的列表页 yield scrapy.Request( item["s_href"], callback=self.parse_book_list, meta={"item":deepcopy(item)} ) #发送请求,获取列表页第一页后一部分的数据 next_part_url_temp = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp=0&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0" #获取url地址的ci ci = item["s_href"].split("-")[1] next_part_url = next_part_url_temp.format(ci) yield scrapy.Request( next_part_url, callback=self.parse_book_list, meta={"item":deepcopy(item)} ) def parse_book_list(self,response): #处理图书列表页内容 item = response.meta["item"] #获取图书列表页的分组 # li_list = response.xpath("//div[@id='filter-results']/ul/li") li_list =response.xpath("//li[contains(@class,'product book')]") for li in li_list[:1]: #书名 item["book_name"] = li.xpath(".//p[@class='sell-point']/a/text()").extract_first().strip() #书的url地址,不完整 item["book_href"] = li.xpath(".//p[@class='sell-point']/a/@href").extract_first() #书店名 item["book_store_name"] = li.xpath(".//p[contains(@class,'seller oh no-more')]/a/text()").extract_first() #发送详情页的请求 yield response.follow( item["book_href"], callback = self.parse_book_detail, meta = {"item":deepcopy(item)} ) #列表页翻页 #前半部分数据的url地址 next_url_1 = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010" #后半部分数据的url地址 next_url_2 = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0" ci = item["s_href"].split("-")[1] #当前的页码数 current_page = re.findall('param.currentPage = "(.*?)";',response.body.decode())[0] #总的页码数 total_page = re.findall('param.pageNumbers = "(.*?)";',response.body.decode())[0] if int(current_page)<int(total_page): next_page_num = int(current_page) + 1 next_url_1 = next_url_1.format(ci,next_page_num) #组装前半部分URL yield scrapy.Request( next_url_1, callback=self.parse_book_list, meta = {"item":item} ) #构造后半部分数据的请求 next_url_2 = next_url_2.format(ci,next_page_num) yield scrapy.Request( next_url_2, callback=self.parse_book_list, meta = {"item":item} ) def parse_book_detail(self,response):#处理图书详情页内容 item = response.meta["item"] price_temp_url = "https://pas.suning.com/nspcsale_0_000000000{}_000000000{}_{}_10_010_0100101_226503_1000000_9017_10106____{}_{}.html" p1 = response.url.split("/")[-1].split(".")[0] p3 = response.url.split("/")[-2] p4 = re.findall('"catenIds":"(.*?)",',response.body.decode()) if len(p4)>0: p4 = p4[0] p5 = re.findall('"weight":"(.*?)",',response.body.decode())[0] price_url = price_temp_url.format(p1,p1,p3,p4,p5) yield scrapy.Request( price_url, callback=self.parse_book_pirce, meta={"item":item} ) def parse_book_pirce(self,response): #提取图书的价格 item = response.meta["item"] # item["book_price"] = re.findall('"netPrice":"(.*?)"',response.body.decode())[0] # print(item) yield item
关于setting.py & pipeline.py & middlewares.py的代码比较简单,这里就不传了。