项目结构:
dang.py文件:自己创建,实现爬虫核心功能的文件
python
import scrapy
from scrapy_dangdang_20240113.items import ScrapyDangdang20240113Item
class DangSpider(scrapy.Spider):
name = "dang" # 名字
# 如果是多页下载的话, 那么必须要调整的是allowed_domains的范围 一般情况下只写城名
# allowed_domains = ["https://category.dangdang.com/cp01.01.00.00.00.00.html"]
allowed_domains = ["category.dangdang.com"]
start_urls = ["https://category.dangdang.com/cp01.01.00.00.00.00.html"]
# 第1页:"https://category.dangdang.com/cp01.01.00.00.00.00.html"
# 第2页: "https://category.dangdang.com/pg2-cp01.01.00.00.00.00.html"
# 第3页: "https://category.dangdang.com/pg3-cp01.01.00.00.00.00.html"
base_url = "https://category.dangdang.com/pg"
page = 1
def parse(self, response):
print("========================================================================")
# pipelines: 下载数据
# items: 定义数据结构
# xpath语法
# src = //ul[@id='component_59']/li/a/img/@src
# 除了第一张,其他做了懒加载 所以不能使用src,要使用这个data-original
# src = //ul[@id='component_59']/li/a/img/@data-original
# alt = //ul[@id='component_59']/li/a/img/@alt
# price = //ul[@id='component_59']/li/p[@class='price']/span[1]/text()
# 所有的seletor的对象都可以再次调用xpath语法
li_list = response.xpath("//ul[@id='component_59']/li")
for li in li_list:
src = li.xpath(".//img/@data-original").extract_first()
if src:
src = src
else:
src = li.xpath(".//img/@src").extract_first()
name = li.xpath(".//img/@alt").extract_first()
price = li.xpath(".//p[@class='price']/span[1]/text()").extract_first()
print(src, name, price)
# 将爬取的数据放在对象里
book = ScrapyDangdang20240113Item(src=src, name=name, price=price)
# 获取一个book将book交给pipelines,将对象放在管道里
yield book
# 每一页的爬取业务的逻辑全都是一样的,所以我们只需要将执行的那个页的请求再次调用
if self.page < 100:
self.page = self.page + 1
url = self.base_url + str(self.page) + "-cp01.01.00.00.00.00.html"
# 调用parse万法
# scrapy.Request就是scrpay的get请求 url就是请求地址
# callback是你要执行的那个函数注意不需要加()
yield scrapy.Request(url=url, callback=self.parse)
items文件:定义数据结构的地方
python
import scrapy
class ScrapyDangdang20240113Item(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# 通俗的说就是你要下载的数据都有什么
src = scrapy.Field()
name = scrapy.Field()
price = scrapy.Field()
settings文件:配置文件,例如开启管道
python
# 开启管道
ITEM_PIPELINES = {
# 管道可以有很多个,那么管道是有优先级的,优先级的范围是1到1000,值越小优先级越高
"scrapy_dangdang_20240113.pipelines.ScrapyDangdang20240113Pipeline": 300,
"scrapy_dangdang_20240113.pipelines.DangdangDownloadPipeline": 301,
}
pipelines.py文件:管道文件,里面只有一个类,用于处理下载数据的,值越小优先级越高
python
# 下载数据
# 如果想使用管道的话 那么就必须在settings中开启管道
class ScrapyDangdang20240113Pipeline:
# item就是yield后面的book对象
# 方式一:
# 以下这种模式不推荐,因为每传递过来一个对象,那么就打开一次文件,对文件的作过于频繁
# def process_item(self, item, spider):
# (1)write万法必须要写一个字符串,而不能是其他的对象,使用str()强转
# (2)w模式 会每一个对象都打开一次文件 覆盖之前的内容
# with open("book.json","a",encoding="utf-8")as fp:
# fp.write(str(item))
# return item
# 方式二:
# 在爬虫文件开始之前就执行的方法
def open_spider(self, spider):
print("++++++++++++++++++++++++++++++++++++++++++++++++++")
self.fp = open("book.json", "w", encoding="utf-8")
def process_item(self, item, spider):
self.fp.write(str(item))
return item
# 在爬虫文件开始之后就执行的方法
def close_spider(self, spider):
print("----------------------------------------------------")
self.fp.close()
# 多条管道同时开启
# (1)定义管道类
# (2)在settings中开启管道
import urllib.request
class DangdangDownloadPipeline:
def process_item(self, item, spider):
# 下载图片
url = "https:" + item.get("src")
filename = "./books/" + item.get("name")[0:6] + ".jpg"
urllib.request.urlretrieve(url=url, filename=filename)
return item