Scrapy爬取电商网站京东奶粉商品价格数据-附各种问题解决

主要的目标是爬奶粉的价格，商品名称和sku_id，想知道奶粉的平均价格。



首先在cmd里建立一个新的scrapy spider project

(1)scrapy startproject milkprice        创建一个项目

(2)创建一个spider，注意要先cd到有.cfg的路径下创建

用scrapy genspider -l 命令可以查看spider模板



scrapy genspider -t <template_name> <spider_name> <domain> 命令可以创建spider

创建好了以后项目文件里会生成scrapy预置的框架，集合了爬取，保存以及一些爬取中的设置。

在spiders文件夹里打开我们刚才命名的那个spider;

class JingdongSpider(scrapy.Spider):
name = 'jingdong'
allowed_domains = ['search.jd.com']
start_urls = ['https://search.jd.com/s_new.php?keyword=%E5... ...page=1。。。',
'https://search.jd.com/s_new.php?key... ...page=2。。。']

name 用于区别不同的spider，我们可以建立多个spider。
start_urls是在spider启动时进行爬取的url列表，可以是一个也可以是多个，可以给一个初始的url，在后面的parse里解析页面时拿到下一页的url然后自动继续爬取或者一开始我们知道每页的url，就可以都放在start_urls里。

京东的商品每页的url长一个样子，只需要该page的数字，所以可以事先都列在这。

spider对每个url会进行访问，得到一个response，然后对这个response解析，生成item对象，送到pipeline里保存我们的数据，同时还能负责生成下一个request对象；

现在我们来定义解析函数parse

def parse(self, response):
"""
直接获取每个sku-data
"""
product = MilkpriceItem()

sku_list = response.xpath('//li[@class="gl-item"]')
name_selector = response.xpath('//div[@class="p-name p-name-type-2"]//em')

for i in range(len(sku_list)):
product['sku_id'] = sku_list[i].xpath('./@data-sku').extract()[0]
product['price'] = float(sku_list[i].xpath('.//div[@class="p-price"]//i//text()').extract()[0])
product['brand'] = name_selector[i].xpath('./text()').extract()[0]
product['name'] = name_selector[i].xpath('./text()').extract()[1:]

yield product

我们可以看到每个商品的信息都非常整齐地在li class='gl-item'里呆着，所以我们可以先拿到所有商品的li元素，以便于获取到data-sku属性。





为了取到商品的名称信息，我们先获取到em元素这个selector，然后再逐一取text，可以生成一个商品的名字的列表。

在pipelines里可以用csvitemexporter,jsonitemexporter写入每个item，或者自己定义数据库链接，将数据保存到数据库里。

from scrapy.exporters import CsvItemExporter

class MilkpriceItemCsvPipeline(object):
def open_spider(self, spider):
self.file = open('milkprice.csv', 'wb')
self.exporter = CsvItemExporter(self.file)
self.exporter.start_exporting()

def close_spider(self, spider):
self.exporter.finish_exporting()
self.file.close()

def process_item(self, item, spider):
self.exporter.export_item(item)
return item

我们修改完pipeline以后，要记得在settings里修改默认值，数字本身没什么特别意义，越大优先级越高，可以列多个，也可以写个jsonItemExporter在里面

ITEM_PIPELINES = {
'milkprice.pipelines.MilkpriceItemCsvPipeline': 300,
}

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

settings里有诸多有用的控制。比如上面这个。它的默认值是True，但是在爬京东的过程中，没有找到robot.txt，就会不停redirect到京东首页，迟迟不能按照我的url爬。在这里把它改成false就好啦。

DOWNLOAD_DELAY = 10

设置下载延迟，默认是3，单位是秒，可以有小数点

COOKIES_ENABLED = False

不向web_server发送cookies，一般为了性能为了反爬最后都禁止。

DEFAULT_REQUEST_HEADERS = {
# "Accept": "*/*",
"Accept-Encoding": "gzip, deflate, br",
# "Accept-Language": "en-US,en;q=0.8",
"Connection": "keep-alive",
。。。

。。。
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36",
# "X-Requested-With": "XMLHttpRequest",
}

添加headers

然后我们可以启动项目scrapy crawl <spider_name>



还可以打开保存的csv查看

下面开始说下项目中遇到的问题：

1. xpath相关：

（1）对selector对象再取xpath的时候，前面一定要加上‘.’，表示选取当前节点

（2）//是相对路径，表示这个元素后所有满足要求的元素，/是绝对路径，表示紧跟其后的

（3）选取根元素后面多个text应该逐一取到这个根元素的selector，然后取text()，可以得到一个text的list

2. scrapy shell相关：

正常我们用scrapy shell调试xpath 可以简简单单的scrapy shell url，但是这次经常打不开正确的url

（1）检查response是不是正确的url的response,可以通过response.url和view(response)在浏览器打开url来检查

（2）先打scrapy shell命令, 然后用fetch('url')，用这个方法竟然就打开了。。。

（3）要传入headers咋办？在scrapy shell 里，

from scrapy import Request

req=Request(url, headers={"ddd" : "dddd",... ...})

fetch(req)

（4）加user agent
4000
      scrapy shell -s USER_AGENT='…' url

3. 动态加载问题：

一开始使用的url是进去京东搜索奶粉后的url,但是爬着爬着遇到两个问题

（1）在商品list页面我只能抓到30个，但实际陈列了60个，咋回事呢，原来是需要手动往下拉去加载剩下30个，这也解释了为啥第一页是page=1，第二页就是page=3了，其实是有page=2的...汗，看到了好多按照page=1,3,5,7,9...抓的同学

（2）进入了商品详情url后，发现抓不到价格了，OMG。。。咋回事，发现也变成是js，网页去动态请求了价格数据。

解决方案就是用inspect里的network，看看这些url都默默低做了些啥。



点了network之后刷新页面，然后我们会看到前30个商品的信息；左上角那个ban的符号，是clear已经load好的数据，我们点一下清除第一页的数据；然后把页面往下拉，让页面加载剩下30个商品，然后看到network里面name列里的各种返回数据，同过看他们的response,我们可以找到我们需要的信息。比如说剩下30个信息就藏在这个s_new。。。。request里，在headers里我能看到它的url和headers信息，于是乎，我们就可以用这个url和headers来访问。

4.不按照指定url爬，总是redirect


 

到settings里修改ROBOTSTXT_OBEY为false

5. 价格获取不到的报错

多爬几页的话就会遇到有些东西价格信息拿不到的情况，为了不影响该页其他商品的爬取，对原代码做一点修正

price = sku_list[i].xpath('.//div[@class="p-price"]//i//text()').extract_first()
if price:
product['price'] = float(price)
else:
product['price'] = ''