本文主要向大家介绍了【云计算】Scrapy爬取当当网特产（Python爬虫），通过具体的内容向大家展现，希望对大家学习云计算有所帮助。

一、总体思路

1、创建scrapy项目

2、分析当当网特产网址

3、分析出所取部分xpath公式

4、编写item

5、编写爬虫

6、编写pipline文件将取到的数据存入到文件中

二、具体实践

1、创建scrapy项目

scrapy startproject autopjt

2、分析当当网特产网址

第一页
第二页
第三页

可以看出pg后面跟的为第几页

那么 我们可以把第一页改成

发现和第一页一样，那么就可以找出规律

实际中使用的url为

i为第几页

3、分析出所取部分xpath公式

# 标题  链接

 # 价格 //span[@class="price_n"]/text()

￥16.80

# 评论数 198条评论

由此可以推断出xpath为

# 价格  //span[@class='price_n']/text()
# 标题  //a[@class='pic']/@title
# 链接  //a[@class='pic']/@href
# 评论数 //a[@name='itemlist-review']/text()

4、项目代码

项目结构

（1）item

# -*- coding: utf-8 -*-
import scrapy

class AutopjtItem(scrapy.Item):
    # 定义好name用来存储商品
    name = scrapy.Field()
    # 定义好price用来存储商品价格
    price = scrapy.Field()
    # 定义好link用来存储商品链接
    link = scrapy.Field()
    # 定义好comnum用来存储商品评论数
    comnum = scrapy.Field()

（2）AutospdSpider

创建spider文件scrapy genspider -t basic autospd dangdang.com

# -*- coding: utf-8 -*-
import scrapy
from autopjt.items import AutopjtItem
from scrapy.http.request import Request

# 价格    //span[@class='price_n']/text()
# 标题    //a[@class='pic']/@title
# 链接    //a[@class='pic']/@href
# 评论数  //a[@name='itemlist-review']/text()

class AutospdSpider(scrapy.Spider):
    name = 'autospd'
    allowed_domains = ['dangdang.com']
    start_urls = [
        '//category.dangdang.com/pg1-cid4011029.html'
    ]

    def parse(self, response):
        item = AutopjtItem()
        # 通过XPath表达式分别提取商品的名称、价格、链接、评论数等信息
        item['name'] = response.xpath("//a[@class='pic']/@title").extract()
        item['price'] = response.xpath("//span[@class='price_n']/text()").extract()
        item['link'] = response.xpath("//a[@class='pic']/@href").extract()
        item['comnum'] = response.xpath("//a[@name='itemlist-review']/text()").extract()
        # 提取完后返回item
        yield item
        # 接下来很关键，通过循环自动爬去75页的数据
        for i in range(1, 76):
            url = "//category.dangdang.com/pg" + str(i) + "-cid4011029.html"
            # 通过yield返回Request，并制定要爬取的网址和回调函数
            # 实现自动爬取
            yield Request(url, callback=self.parse)

（3）piplines

# -*- coding: utf-8 -*-
import json
import codecs

class AutopjtPipeline(object):
    def __init__(self):
        self.file = codecs.open("C:/Users/Administrator/Desktop/dangdangdate.json", "wb", encoding="utf-8")

    def process_item(self, item, spider):
        # i = json.dumps(dict(item), ensure_ascii=False)
        # # 每行数据后加上换行
        # line = i + "\n"
        # # 将数据写入到dangdangdate.json文件中
        # self.file.write(line)
        # return item
        for j in range(0, len(item['name'])):
            # 将当前页的第j个商品的名称赋值给变量name
            name = item["name"][j]
            price = item["price"][j]
            link = item["link"][j]
            comnum = item["comnum"][j]
            # 将当前页下第j个商品的name、price、link、comnum等信息处理一下
            # 重新组合成一个字典
            goods = {"name": name, "price": price, "link": link, "comnum": comnum}
            # 将当前页下第j个产品的数据写入json文件
            i = json.dumps(dict(goods), ensure_ascii=False)
            line = i + "\n"
            self.file.write(line)

    def close_spider(self, spider):
        # 关闭dangdangdate.json文件
        self.file.close()

（4）settings.py

# -*- coding: utf-8 -*-

# Scrapy settings for autopjt project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://doc.scrapy.org/en/latest/topics/settings.html
#     https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://doc.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'autopjt'

SPIDER_MODULES = ['autopjt.spiders']
NEWSPIDER_MODULE = 'autopjt.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'autopjt (+//www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = True

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://doc.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://doc.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'autopjt.middlewares.AutopjtSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'autopjt.middlewares.AutopjtDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://doc.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://doc.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'autopjt.pipelines.AutopjtPipeline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

注意：如果出现robots错误 把这里的True改为Fasle即可解决

三、运行及结果展示

scrapy crawl autospd --nolog

打开dangdangdata.json文件，结果如下
         

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！