Python使用scrapy框架编写自动爬虫爬取京东商品信息并写入数据库

目标：京东商品详情页的商品标题、商店名、商店链接、价格。

随意进入京东一款商品详情页面，查看源码可以看到商品标题、商店名、商店链接就在源码里面，可以直接获得，但是源码里面没有商品的价格，说明隐藏了，需要进行抓包分析

商品的链接：

https://item.jd.com/100003395443.html

抓包之后得到下面这个链接：

https://p.3.cn/prices/mgets?callback=jQuery8092423&type=1&area=18_1522_29460_31350&pdtk=&pduid=1094136628&pdpin=jd_66b27ab550846&pin=jd_66b27ab550846&pdbp=0&skuIds=J_100003395443%2C&ext=11100000&source=item-pc

里面包含了价格，分析这个URL可以知道，100003395443就是商品的ID，更换这个ID就可以切换到别的商品的价格URL，代码如下：

items.py:

import scrapy


class JingdongItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    shop = scrapy.Field()
    shoplink = scrapy.Field()
    price = scrapy.Field()

编写spider程序：

写一个开始的函数

def start_requests(self):
    headers = {"Cookie":"你的cookie值"}
    url = "http://www.jd.com/"
    yield Request(url=url,headers=headers)

rules = (
    Rule(LinkExtractor(allow=r''), callback='parse_item', follow=True),#要找到每个商品的详情，就不用了设置allow，直接每个URL都进去
)

因为每个商品详情页面的URL为：https://item.jd.com/100003395443.html

中间数字为商品的ID，因此我们通过自动爬虫，自动进入每个页面，找到每个符合详情页面URL的规则，

编写页面规则函数：

    def parse_item(self, response):
        try:
            item = JingdongItem()
            thisurl = response.url  #找到每个页面的URL
            pat = "item.jd.com/(.*?).html"  #设置每个商品详情页的链接规则
            x = re.search(pat,thisurl)      #找到每个URL看是否符合详情页面URL规则
            if(x):    #符合详情页规则 则进入
                thisid = re.compile(pat).findall(thisurl)[0]    #找到每个商品的ID，就是详情URL的那个数字
                item["title"] = response.xpath("//html/head/title/text()").extract()
                item["shop"] = response.xpath("//div[@class='name']/a[@target='_blank']/text()").extract()
                item["shoplink"] =response.xpath("//div[@class='name']/a/@href").extract()
                priceurl = "https://p.3.cn/prices/mgets?callback=jQuery8092423&type=1&area=18_1522_29460_31350&pdtk=&pduid=1094136628&pdpin=jd_66b27ab550846&pin=jd_66b27ab550846&pdbp=0&skuIds=J_"+str(thisid)+"%2C&ext=11100000&source=item-pc"
                pricedata = request.urlopen(priceurl).read().decode("utf-8","ignore")
                item["price"] = re.findall(r'"p":"(.*?)"',pricedata)[0]
                if item["price"] == "-1.00":#因为某些价格的URL会出错，为-1.00，所以我们设置取到的值为-1.00就跳过
                    pass
                else:
                    return item
            else:
                pass
        except:
            pass

取到值后把item返回到pipelines里面去处理，整个spider的代码为：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from jingdong.items import JingdongItem
from scrapy.http import Request
from urllib import request
import re


class JdSpider(CrawlSpider):
    name = 'jd'
    allowed_domains = ['jd.com']
    """
    start_urls = ['http://jd.com/']
    """
    def start_requests(self):
        headers = {"Cookie":"你的cookie值"}
        url = "https://www.jd.com"
        yield Request(url=url,headers=headers)

    rules = (
        Rule(LinkExtractor(allow=r''), callback='parse_item', follow=True),#要找到每个商品的详情，就不用了设置allow，直接每个URL都进去
    )

    def parse_item(self, response):
        try:
            item = JingdongItem()
            thisurl = response.url  #找到每个页面的URL
            pat = "item.jd.com/(.*?).html"  #设置每个商品详情页的链接规则
            x = re.search(pat,thisurl)      #找到每个URL看是否符合详情页面URL规则
            if(x):    #符合详情页规则 则进入
                thisid = re.compile(pat).findall(thisurl)[0]    #找到每个商品的ID，就是详情URL的那个数字
                item["title"] = response.xpath("//html/head/title/text()").extract()
                item["shop"] = response.xpath("//div[@class='name']/a[@target='_blank']/text()").extract()
                item["shoplink"] =response.xpath("//div[@class='name']/a/@href").extract()
                priceurl = "https://p.3.cn/prices/mgets?callback=jQuery8092423&type=1&area=18_1522_29460_31350&pdtk=&pduid=1094136628&pdpin=jd_66b27ab550846&pin=jd_66b27ab550846&pdbp=0&skuIds=J_"+str(thisid)+"%2C&ext=11100000&source=item-pc"
                pricedata = request.urlopen(priceurl).read().decode("utf-8","ignore")
                item["price"] = re.findall(r'"p":"(.*?)"',pricedata)[0]
                if item["price"] == "-1.00":#因为某些价格的URL会出错，为-1.00，所以我们设置取到的值为-1.00就跳过
                    pass
                else:
                    return item
            else:
                pass
        except:
            pass

pipelines.py中直接写入数据库就行了：

import pymysql

class JingdongPipeline(object):
    def process_item(self, item, spider):
        db = pymysql.connect(host="127.0.0.1",port=3306,user="root",passwd="",db="jd")
        cursor = db.cursor()
        title = item["title"][0]
        shop = item["shop"][0]
        sholink = "http:" + item["shoplink"][0]
        price = item["price"]
        print(title)
        print(shop)
        print(sholink)
        print(price)
        print("-"*20)
        sql = "insert into shangping(title,shop,shoplink,price) values('"+title+"','"+shop+"','"+sholink+"','"+price+"')"
        cursor.execute(sql)
        db.commit()
        cursor.close()
        db.close()
        return item

注意：记得设置好settings里面的一些函数。比如ROBOTSTXT_OBEY要改成FALSE