【scrapy】scrapy爬取京东商品信息——以自营手机为例

素颜马尾好姑娘i 2022-09-29 06:07 286阅读 0赞

关于scrapy以及使用的代理轮换中间件请参考我的爬取豆瓣文章：

【scrapy】scrapy按分类爬取豆瓣电影基础信息

[http://blog.csdn.net/qqxx6661/article/details/56017386][http_blog.csdn.net_qqxx6661_article_details_56017386]

# 爬虫简介 #

主要还是按照scrapy的设计思路来爬，上一篇文章的豆瓣爬取能够很好的反应这种思路，京东爬虫也是如此。

主要思路是：获取手机分类（自营）页面——扫描该页所有商品ID——进入每个商品页面获取除价格外所有信息——获取商品价格信息——扫描下一页网址——进行下一页商品ID获取.....

# 京东爬虫特殊性 #

显然商城类都有严格的反爬虫，所以这篇笔记主要围绕如何解决几个反爬问题来写的。

## 价格抓取 ##

![20170315055409974][]

价格在页面完整载入后审查元素时是可以看见的，不过其实是加载了JS，所以实际上源代码内不包含价格。需要查看JS加载的情况。如下图

![20170315055417694][]

在写这篇笔记的时候，我代码里的JS名称似乎已经失效了。不过现在看来基本都是类似这种mgets?的script。

所以直接让价格被单独抓取，代码形如：

def parse_price(self, response):
            item = response.meta['item']
            price_str = response.body
            price_str = price_str[2:-4]
            js = json.loads(str(price_str))
            print js['p']
            item['phone_price'] = js['p']
            yield item
            # return item
    
        def parse_each_phone(self, response):
            item = jdItem()
            each_id = response.xpath('//ul[@class="parameter2 p-parameter-list"]/li[2]/@title').extract()
            item['phone_id'] = each_id
            item['phone_name'] = response.xpath('normalize-space(//div[@class="sku-name"]/text())').extract() #到了美国有空格了，不知道为何，已修复
            item['phone_houdu'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[2]/dl/dd[4]/text()').extract()
            item['phone_CPU'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[4]/dl/dd[1]/text()').extract()
            item['phone_ROM'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[6]/dl/dd[1]/text()').extract()
            item['phone_RAM'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[6]/dl/dd[2]/text()').extract()
            item['phone_screen'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[7]/dl/dd[2]/text()').extract()
            item['phone_frontcam'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[8]/dl/dd[1]/text()').extract()
            item['phone_backcam'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[9]/dl/dd[2]/text()').extract()
            each_id = str(each_id[0])
            url = "https://p.3.cn/prices/mgets?callback=&skuIds=J_" + each_id
            yield scrapy.Request(url, meta={'item': item}, callback=self.parse_price)

里面涉及到价格连接的字符串拼接，这个多在shell里面尝试，直到能够正确切出价格。

## allowed\_domains注意 ##

写代码的时候卡了好久，价格永远抓取不到，各种查资料，最后突然意识到是allowed\_domains被限制在了jd.com，而价格其实在3.cn开头的链接里。智障。

class jdSpider(scrapy.Spider):
        name = "jd"
        allowed_domains = ["jd.com",
                           "3.cn"]
        start_urls = [
            "http://list.jd.com/list.html?cat=9987,653,655&page=1&delivery=1&sort=sort_rank_asc&trans=1&JL=4_10_0#J_main"
        ]

## jd\_spider.py ##

给出主要代码

# -*- coding: utf-8 -*-
    import scrapy
    from scrapy_yzd.items import jdItem
    import json
    import time
    
    
    class jdSpider(scrapy.Spider):
        name = "jd"
        allowed_domains = ["jd.com",
                           "3.cn"]
        start_urls = [
            "http://list.jd.com/list.html?cat=9987,653,655&page=1&delivery=1&sort=sort_rank_asc&trans=1&JL=4_10_0#J_main"
        ]
    
        def parse(self, response):
            a = 0
            for href in response.xpath('//div/@data-sku'):
                url = "https://item.jd.com/" + href.extract() + ".html"
                print url
                yield scrapy.Request(url, callback=self.parse_each_phone)
                a += 1
            print "This page's phone number:" + str(a)
    
            time.sleep(20)
            next_page = response.xpath('//a[@class="pn-next"]/@href').extract()
            if next_page:
                next_page = "https://list.jd.com" + next_page[0]
                print '--------------Finding next page--------------------------', next_page
                yield scrapy.Request(next_page, callback=self.parse)
            else:
                print '--------------There is no more page!--------------------------'
    
        def parse_price(self, response):
            item = response.meta['item']
            price_str = response.body
            price_str = price_str[2:-4]
            js = json.loads(str(price_str))
            print js['p']
            item['phone_price'] = js['p']
            yield item
            # return item
    
        def parse_each_phone(self, response):
            item = jdItem()
            each_id = response.xpath('//ul[@class="parameter2 p-parameter-list"]/li[2]/@title').extract()
            item['phone_id'] = each_id
            item['phone_name'] = response.xpath('normalize-space(//div[@class="sku-name"]/text())').extract() #到了美国有空格了，不知道为何，已修复
            item['phone_houdu'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[2]/dl/dd[4]/text()').extract()
            item['phone_CPU'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[4]/dl/dd[1]/text()').extract()
            item['phone_ROM'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[6]/dl/dd[1]/text()').extract()
            item['phone_RAM'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[6]/dl/dd[2]/text()').extract()
            item['phone_screen'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[7]/dl/dd[2]/text()').extract()
            item['phone_frontcam'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[8]/dl/dd[1]/text()').extract()
            item['phone_backcam'] = response.xpath('//*[@id="detail"]/div[2]/div[2]/div[1]/div[9]/dl/dd[2]/text()').extract()
            each_id = str(each_id[0])
            url = "https://p.3.cn/prices/mgets?callback=&skuIds=J_" + each_id
            yield scrapy.Request(url, meta={'item': item}, callback=self.parse_price)
            # yield item # 导致重复商品且无价格，原因未知

## 实验结果 ##

![20170315060429541][]

# 未解决的问题 #

问题很严重，京东似乎对爬虫十分敏感，在连续进行下一页抓取后，直接会回到手机分类的第一页

> I love 周雨楠

[http_blog.csdn.net_qqxx6661_article_details_56017386]: http://blog.csdn.net/qqxx6661/article/details/56017386
[20170315055409974]: /images/20220708/76c67ebd02c34ade839e37f38747faa4.png
[20170315055417694]: /images/20220708/b5139afc60b74845b681aa3befa45ec0.png
[20170315060429541]: /images/20220708/ec006e54bef344988ad8a8ec589cc680.png