快捷導(dǎo)航

python爬蟲(chóng)scrapy圖書(shū)分類實(shí)例講解

更新時(shí)間：2020年11月23日 14:14:15 作者：小妮淺淺

在本篇內(nèi)容里小編給大家整理的是一篇關(guān)于python爬蟲(chóng)scrapy圖書(shū)分類實(shí)例講解內(nèi)容，需要的朋友們可以參考下。

我們?nèi)D書(shū)館的時(shí)候，會(huì)直接去自己喜歡的分類欄目找尋書(shū)籍。如果其中的分類不是很細(xì)致的話，想找某一本書(shū)還是有一些困難的。同樣的如果我們獲取了一些圖書(shū)的數(shù)據(jù)，原始的文件里各種數(shù)據(jù)混雜在一起，非常不利于我們的查找和使用。所以今天小編教大家如何用python爬蟲(chóng)中scrapy給圖書(shū)分類，大家一起學(xué)習(xí)下：

spider抓取程序：

在貼上代碼之前，先對(duì)抓取的頁(yè)面和鏈接做一個(gè)分析：

網(wǎng)址：http://category.dangdang.com/pg4-cp01.25.17.00.00.00.html

這個(gè)是當(dāng)當(dāng)網(wǎng)圖書(shū)的鏈接，經(jīng)過(guò)分析發(fā)現(xiàn)：大種類的id號(hào)對(duì)應(yīng) cp01.25 中的25，小種類對(duì)應(yīng)id號(hào)中的第三個(gè) 17，pg4代表大種類 —>小種類下圖書(shū)的第17頁(yè)信息。

為了在抓取圖書(shū)信息的同時(shí)找到這本圖書(shū)屬于哪一大種類下的小種類的歸類信息，我們需要分三步走，第一步：大種類劃分，在首頁(yè)找到圖書(shū)各大種類名稱和對(duì)應(yīng)的id號(hào)；第二步，根據(jù)大種類id號(hào)生成的鏈接，找到每個(gè)大種類下的二級(jí)子種類名稱，及對(duì)應(yīng)的id號(hào)；第三步，在大種類 —>小種類的歸類下抓取每本圖書(shū)信息。

分步驟介紹下：

1、我們繼承RedisSpider作為父類，start_urls作為初始鏈接，用于請(qǐng)求首頁(yè)圖書(shū)數(shù)據(jù)

# -*- coding: utf-8 -*-
import scrapy
import requests
from scrapy import Selector
from lxml import etree
from ..items import DangdangItem
from scrapy_redis.spiders import RedisSpider
 
class DangdangSpider(RedisSpider):
  name = 'dangdangspider'
  redis_key = 'dangdangspider:urls'
  allowed_domains = ["dangdang.com"]
  start_urls = 'http://category.dangdang.com/cp01.00.00.00.00.00.html'
  def start_requests(self):
    user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 \
           Safari/537.36 SE 2.X MetaSr 1.0'
    headers = {'User-Agent': user_agent}
    yield scrapy.Request(url=self.start_urls, headers=headers, method='GET', callback=self.parse)

2、在首頁(yè)中抓取大種類的名稱和id號(hào)，其中yield回調(diào)函數(shù)中傳入的meta值為本次匹配出的大種類的名稱和id號(hào)

def parse(self, response):
    user_agent = 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/49.0.2623.22 \
           Safari/537.36 SE 2.X MetaSr 1.0'
    headers = {'User-Agent': user_agent}
    lists = response.body.decode('gbk')
    selector = etree.HTML(lists)
    goodslist = selector.xpath('//*[@id="leftCate"]/ul/li')
    for goods in goodslist:
      try:
        category_big = goods.xpath('a/text()').pop().replace('  ','') # 大種類
        category_big_id = goods.xpath('a/@href').pop().split('.')[1]  # id
        category_big_url = "http://category.dangdang.com/pg1-cp01.{}.00.00.00.00.html".\
                 format(str(category_big_id))
        # print("{}:{}".format(category_big_url,category_big))
        yield scrapy.Request(url=category_big_url, headers=headers,callback=self.detail_parse,
                   meta={"ID1":category_big_id,"ID2":category_big})
      except Exception:
        Pass

3、根據(jù)傳入的大種類的id號(hào)抓取每個(gè)大種類下的小種類圖書(shū)標(biāo)簽，yield回調(diào)函數(shù)中傳入的meta值為大種類id號(hào)和小種類id號(hào)

def detail_parse(self, response):
    ID1:大種類ID  ID2:大種類名稱  ID3:小種類ID ID4:小種類名稱
    url = 'http://category.dangdang.com/pg1-cp01.{}.00.00.00.00.html'.format(response.meta["ID1"])
    category_small = requests.get(url)
    contents = etree.HTML(category_small.content.decode('gbk'))
    goodslist = contents.xpath('//*[@class="sort_box"]/ul/li[1]/div/span')
    for goods in goodslist:
      try:
        category_small_name = goods.xpath('a/text()').pop().replace(" ","").split('(')[0]
        category_small_id = goods.xpath('a/@href').pop().split('.')[2]
        category_small_url = "http://category.dangdang.com/pg1-cp01.{}.{}.00.00.00.html".\
                 format(str(response.meta["ID1"]),str(category_small_id))
        yield scrapy.Request(url=category_small_url, callback=self.third_parse, meta={"ID1":response.meta["ID1"],\
            "ID2":response.meta["ID2"],"ID3":category_small_id,"ID4":category_small_name})
 
        # print("============================ {}".format(response.meta["ID2"])) # 大種類名稱
        # print(goods.xpath('a/text()').pop().replace(" ","").split('(')[0])  # 小種類名稱
        # print(goods.xpath('a/@href').pop().split('.')[2])  # 小種類ID
      except Exception:
        Pass

4、抓取各大種類——>小種類下的圖書(shū)信息

def third_parse(self,response):
    for i in range(1,101):
      url = 'http://category.dangdang.com/pg{}-cp01.{}.{}.00.00.00.html'.format(str(i),response.meta["ID1"],\
                                           response.meta["ID3"])
      try:
        contents = requests.get(url)
        contents = etree.HTML(contents.content.decode('gbk'))
        goodslist = contents.xpath('//*[@class="list_aa listimg"]/li')
        for goods in goodslist:
          item = DangdangItem()
          try:
            item['comments'] = goods.xpath('div/p[2]/a/text()').pop()
            item['title'] = goods.xpath('div/p[1]/a/text()').pop()
            item['time'] = goods.xpath('div/div/p[2]/text()').pop().replace("/", "")
            item['price'] = goods.xpath('div/p[6]/span[1]/text()').pop()
            item['discount'] = goods.xpath('div/p[6]/span[3]/text()').pop()
            item['category1'] = response.meta["ID4"]    # 種類(小)
            item['category2'] = response.meta["ID2"]    # 種類(大)
          except Exception:
            pass
          yield item
      except Exception:
        pass

到此這篇關(guān)于python爬蟲(chóng)scrapy圖書(shū)分類實(shí)例講解的文章就介紹到這了,更多相關(guān)python爬蟲(chóng)中scrapy如何給圖書(shū)分類內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: