scrapy抓取淘宝女郎

准备工作

  • 首先在淘宝女郎的首页这里查看,当然想要爬取更多的话,当然这里要查看翻页的url,不过这操蛋的地方就是这里的翻页是使用javascript加载的,这个就有点尴尬了,找了好久没有找到,这里如果有朋友知道怎样翻页的话,麻烦告诉我一声,谢谢了...,不过就这样坐以待毙了吗,所以就在chrome上搜,结果看到有人直接使用的这个网页,我当时一看感觉神奇的样子,这就是简化版的首页啊,只需要改变page的数字就可以实现遍历了,不过还是有点小失落,为什么人家就能找到呢,这个我还是希望知道的朋友能够分享一下,我也会查看相关的资料,把这个空缺不上的,好了,现在开我们的工作了

  • 我们的目的是抓取册以及相关的信息,所以我们需要随便打开一个淘女郎的相册页面,然后随便进入一个相册即可,很显然这里的相册是异步加载的,因此我们需要抓包,这里我抓到了含有相册的url以及相关信息的json数据,如下图:

相册数据

  • 然后我们查看它的urlhttps://mm.taobao.com/album/j...

  • 通过我尝试之后这条url可以简化为:

  • https://mm.taobao.com/album/j...{0}&album_id={1}&top_pic_id=0&page={2}&_ksTS=1493654931946_405

  • 其中user_id是每一个女郎对的id,ablum_id时每一个相册的id,这里一个女郎有多个相册,因此这个id是不同的,但是page就是要翻页的作用了,可以看到我去掉了callback=json155这一项,因为如果加上这一项,返回的数据就不是json类型的数据,其中page是在抓包的时候点击翻页才会在下面出现的,可以看到同一个相册返回的除了page不同之外,其他的都是相同的,因此这里通过page来实现翻页的数据

  • 上面分析了每一个相册的url数据的由来,可以看到我们下面需要找到user_id,ablum_id这两个数据.

  • user_id的获取:我们打开首页,然后打开chrome的调试工具,可以看到每一个 女郎的url中都包含user_id这一项,因此我们只需要通过这个实现翻页然后获取每一个女郎的url,之后用正则将user_id匹配出来即可,代码如下

ps=response.xpath('//p[@class="top"]')
        for p in ps:
            item=JrtItem()
            href=p.xpath('a/@href').extract()   #这个得到的是一个数组url
            if href:
                item['user_id']=self.pattern_user_id.findall(href[0])[0]   #用则正匹配出user_id,其中的正则为  pattern_user_id=re.compile(r'user_id=(\d+)')
  • ablum_id的获取:想要获取ablum_id当然要在相册的页面查找,于是我们在相册页面抓包获得了如下图的页面

ablum_id

  • 通过上图我们清晰的知道每一个相册的里面包含多少相册,但最令人开心的是在这个页面中不是动态加载,因此我们可以查看它的源码,当我们查看源码的时候,我们可以看到和user_id一样,这里的ablum_id包含在了href中,因此我们只需要找到每一张相册的url,然后用正则匹配处来即可,其中这个页面的url简化为:

  • https://mm.taobao.com/self/al...{0}&page={1}

  • 所以我们可以通过上面得到的user_id构成请求即可,代码如下:

 ## 解析得到ablum_id,根据ablum_id解析请求出每一个相册的json数据
    def parse_ablum_id(self,response):
        if response.status==200:
            print response.url
            item = response.meta['item']
            soup = BeautifulSoup(response.text, 'lxml')
            divs = soup.find_all('div', class_='mm-photo-cell-middle')
            for div in divs:
                href = div.find('h4').find('a').get('href')
                items = self.pattern_ablum_id.findall(href)    #这里就得到了ablum_id
  • 上面已经获得了user_idablum_id,那么现在就可以请求每一个相册的json数据了,这个就不用多说了,详情请看源代码

MongoDB存储

安装方式

  • Windows下安装请看我的MogoDB干货篇

  • ubantu直接用sudo apt-get install安装即可

  • 安装对应python的包:pip install pymongo

  • 安装完成以后就可以连接了,下面贴出我的连接代码

from pymongo import MongoClient

class MongoDBPipelines(object):
    collection_name = 'taobao'
    def open_spider(self,spider):
        self.client = MongoClient('localhost', 27017)   #连接,这里的27017是默认的额端口号
        self.db = self.client['python']               #python是自己的数据库,当然这里不用提前建好也可以

    def close_spider(self, spider):            
        self.client.close()

    def process_item(self,item,spider):
        self.db[self.collection_name].update({'picId':item['picId']}, {'$set': dict(item)}, True)
        return item

现在这就算好了,当然这里还有很多东西需要优化的,像代理池。。。最后本人想在暑期找一个地方实习,但是一直没有好的地方,希望有实习的地方推荐的可以联系我,在这里先谢谢了

推荐

最后推荐博主的一些源码

更多文章请一步本人博客


码猿技术专栏
486 声望105 粉丝