首页 / 爬虫 / 爬虫基础篇之Scrapy抓取京东
爬虫基础篇之Scrapy抓取京东
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了爬虫基础篇之Scrapy抓取京东，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含25261字，纯文字阅读大概需要37分钟。
内容图文
虚拟环境
同一台服务器上不同的项目可能依赖的包不同版本，新版本默认覆盖旧版本，可能导致其他项目无法运行，通过虚拟环境，完全隔离各个项目各个版本的依赖包，实现运行环境互不影响。
virtualenv
pip install virtualenv 安装virtualenv
python -m pip install --upgrade pip 升级pip
pip install -i https://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com scrapy
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华源
pip uninstall scrapy 卸载django
virtualenv scrapytest 默认环境创建虚拟环境
cd scrapytest/Scripts && activate.bat && python 进入3.7虚拟环境
virtualenv -p D:\Python27\python.exe scrapytest
cd scrapytest/Scripts && activate.bat && python 进入2.7虚拟环境
deactivate.bat 退出虚拟环境
apt-get install python-virtualenv 安装虚拟环境
virtualenv py2 && cd py2 && cd bin && source activate && python 进入2.7虚拟环境
virtualenv -p /usr/bin/python3 py3 && && cd py3 && cd bin && source activate && python 进入3.7虚拟环境
virtualenvwrapper
pip install virtualenvwrapper
pip install virtualenvwrapper-win 解决workon不是内部指令
workon 列出所有虚拟环境
新建环境变量 WORKON_HOME=E:\envs
mkvirtualenv py3scrapy 新建并进入虚拟环境
deactivate 退出虚拟环境
workon py3scrapy 进入指定虚拟环境
pip install -i https://pypi.douban.com/simple scrapy 安装scrapy源
若缺少lxml出错https://www.lfd.uci.edu/~gohlke/pythonlibs/寻找对应版本的lxml的whl源
python -m pip install --upgrade pip 更新pip
pip install lxml-4.1.1-cp35-cp35m-win_amd64.whl
若缺少Twisted出错http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml搜对应版本Twisted
pip install Twisted?17.9.0?cp35?cp35m?win_amd64.whl
mkvirtualenv --python=D:\Python27\python.exe py2scrapy 一般不会出问题
pip install -i https://pypi.douban.com/simple scrapy
pip install virtualenvwrapper
find / -name virualenvwrapper.sh
vim ~/.bashrc
export WORKON_HOME=$HOME/.virtualenvs
source /home/wj/.local/bin/virtualenvwrapper.sh
source ~/.bashrc
mkvirtualenv py2scrapy 指向生成~/.virtualenv
deactivate 退出虚拟环境
mkdirtualenv --python=/usr/bin/python3 py3scrapy
rmvirtualenv py3scrapy 删除虚拟环境
Scrapy
pip install -i https://pypi.douban.com/simple/ scrapy 安装scrapy
scrapy startproject mall_spider 创建mall_spider项目
scrapy genspider jd_category https://dc.3.cn/category/get 创建分类爬虫
scrapy genspider --list 查看爬虫生成模板
scrapy genspider -t crawl lagou www.lagou.com 创建全站爬虫
pip freeze > requirements.txt 生成依赖到文件
pip install -r requirements.txt 一键安装依赖
scrapy shell http://blog.jobbole.com/ 可以在脚本中调试xpath或者chrome浏览器右键copy xpath,chrome浏览器右键copy selector
scrapy shell -s USER_AGENT="Mozilla/5.0 (Windows NT 6.1; WOW64; rv:51.0) Gecko/20100101 Firefox/51.0" https://www.zhihu.com/question/56320032
view(response)
需求
1.1 抓取首页的分类信息
- 抓取数据: 各级分类的名称 和 URL
1.2 抓取商品信息
-
抓取: 商品名称, 商品价格, 商品评论数量, 商品店铺, 商品促销, 商品选项, 商品图片的URL
-
由于全网爬虫, 抓取页面非常多, 为了提高抓的速度, 选择使用scrapy框架 + scrapy_redis分布式组件
-
由于京东全网的数据量达到了亿级, 存储又是结构化数据, 数据库, 选择使用MongoDB;
实现
我们采用广度优先策略, 我们把类别和商品信息的抓取分开来做.
模型
类别模型
class Category(scrapy.Item):
"""商品类别"""
# 大分类名称
b_category_name = scrapy.Field()
# 大分类URL
b_category_url = scrapy.Field()
# 中分类名称
m_category_name = scrapy.Field()
# 中分类URL
m_category_url = scrapy.Field()
# 小分类名称
s_category_name = scrapy.Field()
# 小分类URL
s_category_url = scrapy.Field()
数据模型
class Product(scrapy.Item):
# 商品类别
product_category = scrapy.Field()
# 商品ID
product_sku_id = scrapy.Field()
# 商品名称
product_name = scrapy.Field()
# 商品图片URL
product_img_url = scrapy.Field()
# 商品店铺
product_shop = scrapy.Field()
# 图书信息, 作者,出版社
product_book_info = scrapy.Field()
# 商品选项
product_option = scrapy.Field()
# 商品评论数量
product_comments = scrapy.Field()
# 商品促销
product_ad = scrapy.Field()
# 商品价格
product_price = scrapy.Field()
分类爬虫
分析, 分类信息的URL
-
目标:确定分类信息的URL -
步骤:- 进入到京东首页
- 右键检查, 打开开发者工具, 搜索
家用电器 - 确定分类的URL
-
图解:
-
结论:- 分类URL:
https://dc.3.cn/category/get
- 分类URL:
创建爬虫, 抓取数据
目标:抓取分类数据, 交给引擎步骤:- 创建类别爬虫
- 指定起始URL
- 解析数据, 交给引擎
创建爬虫
- 进入项目目录:
cd mall_spider - 创建爬虫:
scrapy genspider category_spider jd.com
指定起始URL
- 修改起始URL:
https://dc.3.cn/category/get
解析数据, 交给引擎
- 分析数据格式:
-
整体数据
-
各级分类位置
-
分类信息格式
- 格式1:
jiadian.jd.com|家用电器||0- 特点: 第一项分类URL,第二项分类名称
- 格式2:
652-654|摄影摄像||0- 对应的URL:
https://channel.jd.com/652-654.html - 特点:第一项是频道ID, 包含一个
-
- 格式3:
1318-2628-12131|户外风衣||0- 对应URL:
https://list.jd.com/list.html?cat=1318,2628,12131 - 特点: 第一项为分类ID, 包含两个
-
- 格式1:
-
class JdCategorySpider(scrapy.Spider):
name = 'jd_category'
allowed_domains = ['3.cn']
start_urls = ['https://dc.3.cn/category/get']
def parse(self, response):
# print(response.body.decode('GBK'))
result = json.loads(response.body.decode('GBK'))
datas = result['data']
# 遍历数据列表
for data in datas:
item = Category()
b_category = data['s'][0]
b_category_info = b_category['n']
# print('大分类: {}'.format(b_category_info))
item['b_category_name'], item['b_category_url'] = self.get_category_name_url(b_category_info)
# 中分类信息列表
m_category_s = b_category['s']
# 遍历中分类列表
for m_category in m_category_s:
# 中分类信息
m_category_info = m_category['n']
# print('中分类: {}'.format(m_category_info))
item['m_category_name'], item['m_category_url'] = self.get_category_name_url(m_category_info)
# 小分类数据列表
s_category_s = m_category['s']
for s_category in s_category_s:
s_category_info = s_category['n']
# print('小分类: {}'.format(s_category_info))
item['s_category_name'], item['s_category_url'] = self.get_category_name_url(s_category_info)
# print(item)
# 把数据交给引擎
yield item
def get_category_name_url(self, category_info):
"""
根据分类信息, 提取名称和URL
:param category_info: 分类信息
:return: 分类的名称和URL
分析数据格式(三类数据格式)
- book.jd.com/library/science.html|科学技术||0
- 1713-3287|计算机与互联网||0
- Https://channel.jd.com/{}.html
- 9987-12854-12856|屏幕换新||0
- Https://list.jd.com/list.html?cat={}
- 把 - 替换为逗号, 然后填充到占位的地方.
"""
category = category_info.split('|')
# 分类URL
category_url = category[0]
# 分类名称
category_name = category[1]
# 处理第一类分类URL
if category_url.count('jd.com') == 1:
# URL进行补全
category_url = 'https://' + category_url
elif category_url.count('-') == 1:
# 1713-3287|计算机与互联网||0
category_url = 'https://channel.jd.com/{}.html'.format(category_url)
else:
# 9987-12854-12856|屏幕换新||0
# 把URL中 `-` 替换为 `,`
category_url = category_url.replace('-', ',')
# 补全URL
category_url = 'https://list.jd.com/list.html?cat={}'.format(category_url)
# 返回类别的名称 和 URL
return category_name, category_url
保存分类数据
# 在settings.py开启, 类别的Pipeline
ROBOTSTXT_OBEY = False 不遵守网络协议
ITEM_PIPELINES = {
'mall_spider.pipelines.CategoryPipeline': 300,
}
步骤:
open_spider方法中, 链接MongoDB数据库, 获取要操作的集合process_item方法中, 向MongoDB中插入类别数据close_spider方法中, 关闭MongoDB的链接
"""
实现保存分类的Pipeline类
- open_spider方法中, 链接MongoDB数据库, 获取要操作的集合
- process_item 方法中, 向MongoDB中插入类别数据
- close_spider 方法中, 关闭MongoDB的链接
"""
class CategoryPipeline(object):
def open_spider(self, spider):
"""当爬虫启动的时候执行1次"""
if isinstance(spider, JdCategorySpider):
# open_spider方法中, 链接MongoDB数据库, 获取要操作的集合
self.client = MongoClient(MONGODB_URL)
self.collection = self.client['jd']['category']
def process_item(self, item, spider):
# process_item 方法中, 向MongoDB中插入类别数据
if isinstance(spider, JdCategorySpider):
self.collection.insert_one(dict(item))
return item
def close_spider(self, spider):
# close_spider 方法中, 关闭MongoDB的链接
if isinstance(spider, JdCategorySpider):
self.client.close()
商品爬虫
总体设计:
- 把MongoDB中存储的分类信息, 放到redis_key指定列表中
- 支持分布式爬虫, 当然也可以在一台电脑上运行多次, 以启动多个进程,充分使用CPU的多核.
- 所以这里的爬虫, 先从一个分类开始抓就可以了, 后面再改造为分布式
分析
-
列表页
-
提取商品 skuid
-
实现翻页
-
获取下一页URL
-
没有下一页的情况
-
-
-
详情页
由于PC和手机页面商品信息, 在js中, 且比较分散, 并且每次请求数量页比较大, 我们这里使用手机抓包, 抓到json数据. -
商品基本信息
-
图:
-
URL:
https://cdnware.m.jd.com/c1/skuDetail/apple/7.3.0/32426231880.json; 最后一部分是商品skuid -
可以获取到的信息: 商品名称, 商品店铺信息 , 商品类别id, 商品品牌id, 商品选项
{ "code": "0", "wareInfo": { "recommendInfo": { "recommendList": null }, // 商品店铺信息 "shopInfo": { "shop": { "shopId": 1000000127, "name": "京东Apple产品专营店", ... }, "basicInfo": { "gift": false, "bookInfo": { // 如果是书, 这里是书的选项信息 "display": false }, "colorSizeInfo": { // 商品选项信息列表 有的没有 "colorSize": [{ "buttons": [{ "no": "1", "skuList": ["100000177738", "100000287117", "100000287145", "100000309448", "100000309450", "100000375233", "100000435832", "100000458753", "100000458755", "100001860767", "100001860773"], "text": "金色" }, { "no": "2", "skuList": ["100000177764", "100000287113", "100000287135", "100000435780", "100000435816", "100000435818", "100000569049", "100000602206", "100000602208", "100001860765", "100002539302"], "text": "深空灰色" }, { "no": "3", "skuList": ["100000177740", "100000177784", "100000287147", "100000435834", "100000458737", "100000458739", "100000602174", "100000602176", "100000602204", "100001860789", "100002539304"], "text": "银色" }], "title": "颜色" }, { "buttons": [{ "no": "1", "skuList": ["100000177738", "100000177740", "100000177764", "100000177784", "100000287113", "100000287117", "100000287135", "100000287145", "100000287147"], "text": "公开版" }, ... ], "title": "版本" }, { "buttons": [{ "no": "1", "skuList": ["100000177764", "100000287145", "100000287147", "100000375233", "100000435818", "100000458739", "100000458755", "100000602204", "100000602208", "100001860765", "100001860773", "100001860789"], "text": "64GB" }, ... ], "title": "内存" }], "colorSizeTips": "#与其他已选项无法组成可售商品，请重选" }, ... // 品牌ID "brandID": "14026", ... // 商品图片 "wareImage": [{ "small": "https://m.360buyimg.com/mobilecms/s720x720_jfs/t1/3/15/4536/138660/5b997bf8Ed72ebce7/819dcf182d743897.jpg!q70.jpg.webp", ... } ... ], ... // 商品名称 "name": "Apple iPhone XS Max (A2104) 256GB 深空灰色 移动联通电信4G手机 双卡双待", // 商品类别id "category": "9987;653;655" } } } -
-
商品促销信息(PC端):
-
图:
-
URL: https://cd.jd.com/promotion/v2?skuId=4749506&area=1_72_4137_0&cat=737%2C794%2C798
- 参数
- skuId=4749506: 商品sku_id
- area=1_72_4137_0: 购买者区域, 固定的
- cat=737%2C794%2C798: 类别
- 参数
-
数据
{ ... // 商品促销信息 "ads": [{ "id": "AD_4749506", "ad": "【即刻预约，21号秒杀到手价2999】\n1、前100名晒单送腾讯企鹅影院季卡，联系客服领取！！\n2、曲面爆款，5.5万好评推荐！<a target=\"_blank\" href=\"https://item.jd.com/7055876.html\">升级55Q1D超清全面屏电视</a>" }], ... } -
-
商品评论信息(PC端)
-
图:
-
URL: https://club.jd.com/comment/productCommentSummaries.action?referenceIds=4749506
- 参数
- referenceIds=4749506: 商品sku_id
- 参数
-
数据:
{"CommentsCount":[ { "CommentCountStr":"10万+", "CommentCount":100000, //评论数量 "AverageScore":5, "GoodRate":0.98, //好评率 "PoorCountStr":"600+", "PoorCount":600, // 差评数量 ... }]}
-
-
商品价格信息:
-
图:
-
URL: https://p.3.cn/prices/mgets?skuIds=J_4749506
- 参数:
- skuIds=J_4749506 商品的sku_id
- 参数:
-
数据:
[ { "op": "5499.00", "m": "5999.00", "id": "J_4749506", //商品skuid "p": "3299.00" // 商品价格 } ]
-
代码实现
- 步骤:
- 重写start_requests方法, 根据分类信息构建列表页的请求
- 解析列表页, 提取商品的skuid, 构建商品基本的信息请求; 实现翻页
- 解析商品基本信息, 构建商品促销信息的请求
- 解析促销信息,构建商品评价信息的请求,
- 解析商品评价信息, 构建价格信息的请求
- 解析价格信息
class JdProductSpider(scrapy.Spider):
name = 'jd_product'
allowed_domains = ['jd.com', 'p.3.cn']
def start_requests(self):
category = { "b_category_name" : "家用电器",
"b_category_url" : "https://jiadian.jd.com",
"m_category_name" : "洗衣机",
"m_category_url" : "https://list.jd.com/list.html?cat=737,794,880",
"s_category_name" : "洗衣机配件",
"s_category_url" : "https://list.jd.com/list.html?cat=737,794,877" }
yield scrapy.Request(category['s_category_url'], self.parse, meta={'category': category})
def parse(self, response):
# 获取类别信息
category = response.meta['category']
# 获取类别的URL
category_url = response.url.split('&')[0]
# 获取所有商品的sku_ids
sku_ids = response.xpath('//div[contains(@class, "j-sku-item")]/@data-sku').extract()
# 遍历sku_ids, 构建基本详情信息的请求
for sku_id in sku_ids:
item = {
'product_category': category,
'product_sku_id':sku_id
}
product_url = 'https://cdnware.m.jd.com/c1/skuDetail/apple/7.3.0/{}.json'.format(sku_id)
yield scrapy.Request(product_url, callback=self.parse_product, meta={'item': item})
# 获取下一页的URL
next_url = response.xpath('//a[@class="pn-next"]/@href').extract_first()
if next_url:
# 补全URL
next_url = response.urljoin(next_url)
# 构建下一页请求
yield scrapy.Request(next_url, callback=self.parse, meta={'category': category})
def parse_product(self, response):
# 取出传递过来的数据
item = response.meta['item']
# 把响应数据数据转为字典
product_dic = json.loads(response.text)
# 获取商品名称
item['product_name'] = product_dic['wareInfo']['basicInfo']['name']
if item['product_name']:
# 获取类别id, 把 `;` 替换为 ,
item['product_category_id'] = product_dic['wareInfo']['basicInfo']['category'].replace(';', ',')
# 获取店铺信息
product_shop = jsonpath(product_dic, '$..shop')
if product_shop:
product_shop = product_shop[0]
if product_shop is None:
item['product_shop'] = {'name':'京东自营'}
else:
item['product_shop'] = {
"shopId": product_shop['shopId'],
"name": product_shop['name'],
"score": product_shop['score'],
"url": product_shop['url'],
}
# 如果是书, 记录书的信息
if product_dic['wareInfo']['basicInfo']['bookInfo']['display']:
item['product_book_info'] = product_dic['wareInfo']['basicInfo']['bookInfo']
# 删除display
del item['book_info']['display']
# 获取商品选购信息
color_sizes = jsonpath(product_dic, '$..colorSize')
product_option = {}
if color_sizes:
for color_size in color_sizes[0]:
title = color_size['title']
texts = jsonpath(color_size, '$..text')
product_option.update({title:texts})
# print(product_option)
item['product_option'] = product_option
# 商品图片
item['product_img_url'] = jsonpath(product_dic, '$..wareImage[0].small')[0]
# 构建促销信息的请求
ad_url = 'https://cd.jd.com/promotion/v2?skuId={}&area=1_72_4137_0&cat={}'.format(item['product_sku_id'], item['product_category_id'])
yield scrapy.Request(ad_url, callback=self.parse_ad, meta={'item': item})
def parse_ad(self, response):
"""获取商品促销"""
item = response.meta['item']
ad_dic = json.loads(response.body.decode('GB18030'))
ad = ad_dic['ads'][0]['ad']
item['product_ad'] = ad
# for key, value in item.items():
# print('{} = {}'.format(key, value))
# 构建平均信息请求
comments_url = 'https://club.jd.com/comment/productCommentSummaries.action?referenceIds={}'.format(item['product_sku_id'])
yield scrapy.Request(comments_url, callback=self.parse_comments, meta={'item': item})
def parse_comments(self, response):
"""解析商品评论信息"""
item = response.meta['item']
comments_dic = json.loads(response.text)
comments = {
'comment_count': jsonpath(comments_dic, '$..CommentCount')[0],
'good_rate': jsonpath(comments_dic, '$..GoodRate')[0],
'poor_count': jsonpath(comments_dic, '$..PoorCount')[0],
}
item['product_comments'] = comments
# print(item)
# 构建价格请求
price_url = 'https://p.3.cn/prices/mgets?skuIds=J_{}'.format(item['product_sku_id'])
yield scrapy.Request(price_url, callback=self.parse_price, meta={'item': item})
def parse_price(self, response):
"""解析价格"""
item = response.meta['item']
item['product_price'] = json.loads(response.text)[0]['p']
# print(item)
yield item
分布式
步骤:- 修改爬虫类
- 在settings文件中配置scrapy_redis
- 写一个程序用于把MongoDB中分类信息, 放入到爬虫redis_key指定的列表中
修改爬虫类
步骤:- 修改继承关系: 继承RedisSpider
- 指定redis_key
- 把重写start_requests 改为 重写 make_request_from_data
from scrapy_redis.spiders import RedisSpider
import pickle
# 1. 修改继承关系: 继承RedisSpider
class JdProductSpider(RedisSpider):
name = 'jd_product'
allowed_domains = ['jd.com', 'p.3.cn']
# 2. 指定redis_key
redis_key = 'jd_product:start_category'
# 3. 把重写start_requests 改为 重写 make_request_from_data
def make_request_from_data(self, data):
# 把从Redis中读取到分类信息, 转换为字典
category = pickle.loads(data)
return scrapy.Request(category['s_category_url'], self.parse, meta={'category': category})
注意: 在make_request_from_data不能使用 yield 必须使用 return
在settings文件中配置scrapy_redis
# MongoDB数据库的URL
MONGO_URL = 'mongodb://127.0.0.1:27017'
# REDIS数据链接
REDIS_URL = ' redis://127.0.0.1:6379/0'
# 去重容器类: 用于把已爬指纹存储到基于Redis的set集合中
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 调度器: 用于把待爬请求存储到基于Redis的队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 是不进行调度持久化:
# 如果是True, 当程序结束的时候, 会保留Redis中已爬指纹和待爬的请求
# 如果是False, 当程序结束的时候, 会清空Redis中已爬指纹和待爬的请求
SCHEDULER_PERSIST = True
把MongoDB中分类信息, 放入到爬虫redis_key指定的列表中
-
步骤:-
- 在项目文件夹下创建
add_category_to_redis.py
- 在项目文件夹下创建
-
- 实现方法
add_category_to_redis:- 链接MongoDB
- 链接Redis
- 读取MongoDB中分类信息, 序列化后, 添加到商品爬虫redis_key指定的list
- 关闭MongoDB
- 实现方法
-
- 在
if __name__ == '__main__':中调用add_category_to_redis方法
- 在
-
-
代码
from redis import StrictRedis
from pymongo import MongoClient
import pickle
from mall_spider.settings import MONGO_URL, REDIS_URL
from mall_spider.spiders.jd_product import JdProductSpider
# 把MongoDB中分类信息, 添加到Redis中
def add_category_to_redis():
# 链接MongoDB
client = MongoClient(MONGO_URL)
# 链接Redis
redis = StrictRedis.from_url(REDIS_URL)
cursor = client['jd']['category'].find()
# 读取MongoDB中分类信息, 序列化后, 添加到商品爬虫redis_key指定的list
for category in cursor:
redis.rpush(JdProductSpider.redis_key, pickle.dumps(category))
# 关闭MongoDB的链接
client.close()
if __name__ == '__main__':
add_category_to_redis()
保存商品数据
步骤
-
在 open_spider方法, 建立MongoDB数据库连接, 获取要操作的集合
-
在 process_item方法, 把数据插入到MongoDB中
-
在close_spider方法, 关闭数据库连接
-
代码
class ProductPipeline(object):
def open_spider(self, spider):
if isinstance(spider, JdProductSpider):
# 建立MongoDB数据库链接
self.client = MongoClient(MONGO_URL)
# 获取要操作集合
self.category = self.client['jd']['product']
def process_item(self, item, spider):
if isinstance(spider, JdProductSpider):
# 把数据插入到mongo中
self.category.insert_one(dict(item))
return item
def close_spider(self, spider):
"""关闭"""
if isinstance(spider, JdProductSpider):
self.client.close()
在settings.py中开启这个管道
ITEM_PIPELINES = {
'mall_spider.pipelines.CategoryPipeline': 300,
# 开启商品管道
'mall_spider.pipelines.ProductPipeline': 301,
}
反爬
为了避免IP反爬, 我们实现随机User-Agent和代理IP的中间件
步骤:- 实现随机User-Agent的中间件
- 实现代理IP中间件
- 在settings.py 文件开启, 下载器中间件
实现随机User-Agent的中间件
-
步骤- 准备User-Agent列表
- 在middlewares.py中, 实现RandomUserAgent类
- 实现process_request方法
- 如果是请求是
https://cdnware.m.jd.com开头的, 就是设置一个iPhone的user-agent - 否则从User-Agent列表中随机取出一个
- 如果是请求是
-
代码
import requests
import random
# 准备请求头
USER_AGENTS = [
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
"Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
"Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
"Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
"Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
"Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
"Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
"Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
"Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
"Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
"Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]
class RandomUserAgent(object):
def process_request(self, request, spider):
if request.url.startswith('https://cdnware.m.jd.com'):
# 如果使用手机抓包, 获取到商品信息; 生成请求请求头
request.headers['user-agent'] = 'JD4iPhone/164880 (iPhone; iOS 12.1.2; Scale/2.00)'
else:
# 随机获取一个请求头, 进行设置
request.headers['user-agent'] = random.choice(USER_AGENTS)
实现代理IP中间件
-
步骤:- 在middlewares.py中, 实现ProxyMiddleware类
- 实现process_request方法
- 从代理池中获取一个随机的代理IP, 需指定代理IP的协议, 和访问的域名
- 设置给request.meta[‘proxy’]
- 实现process_exception方法
- 当请求出现异常的时候, 代理池哪些代理IP在本域名下是不可以用的
-
代码
"""
9.2. 实现代理IP中间件
步骤:
在middlewares.py中, 实现ProxyMiddleware类
实现process_request方法
从代理池中获取一个随机的代理IP
设置给request.meta['proxy']
"""
from twisted.internet import defer
from twisted.internet.error import TimeoutError, DNSLookupError, \
ConnectionRefusedError, ConnectionDone, ConnectError, \
ConnectionLost, TCPTimedOutError
from twisted.web.client import ResponseFailed
from scrapy.core.downloader.handlers.http11 import TunnelError
class ProxyMiddleware(object):
EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError,
ConnectionRefusedError, ConnectionDone, ConnectError,
ConnectionLost, TCPTimedOutError, ResponseFailed,
IOError, TunnelError)
def process_request(self, request, spider):
"""
从代理池中获取一个随机的代理IP
设置给request.meta['proxy']
"""
response = requests.get('http://localhost:6868/random?protocol=https&domain=jd.com')
request.meta['proxy'] = response.content.decode()
request.meta['dont_redirect'] = True
return None
def process_exception(self, request, exception, spider):
if isinstance(exception, self.EXCEPTIONS_TO_RETRY):
# 获取代理IP
proxy = request.meta['proxy']
# 提取IP地址
ip = re.findall('https://(.+):\d+', proxy)[0]
params = {
'ip': ip,
'domain': 'jd.com'
}
requests.get('http://localhost:6868/disable_domain', params=params)
# 构建请求返回
req = request.copy()
req.dont_filter = True
return req
在settings.py中开启上面的两个下载器中间件
# 配置下载器中间件
DOWNLOADER_MIDDLEWARES = {
'mall_spider.middlewares.RandomUserAgent': 500,
'mall_spider.middlewares.ProxyMiddl eware': 543,
}
完整源码请关注微信公众号：ReverseCode，回复：爬虫基础
内容总结
以上是互联网集市为您收集整理的爬虫基础篇之Scrapy抓取京东全部内容，希望文章能够帮你解决爬虫基础篇之Scrapy抓取京东所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】