Splash抓取jd
时间:2022-07-28
本文章向大家介绍Splash抓取jd，主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项，具有一定的参考价值，需要的朋友可以参考一下。
一、概述
在上一篇文章中，链接如下：https://www.cnblogs.com/xiao987334176/p/13656055.html
已经介绍了如何使用Splash抓取javaScript动态渲染页面
这里做一下项目实战，以爬取京东商城商品冰淇淋为例吧
环境说明
操作系统：centos 7.6
docker版本：19.03.12
ip地址：192.168.0.10
说明：使用docker安装Splash服务
操作系统：windows 10
python版本：3.7.9
ip地址：192.168.0.9
说明：使用Pycharm开发工具，用于本地开发。
关于Splash的使用，参考上一篇文章，这里就不做说明了。
二、分析页面
打开京东商城，输入关键字：冰淇淋，滑动滚动条，我们发现随着滚动条向下滑动，越来越多的商品信息被刷新了，这说明该页面部分是ajax加载
注意：每一条商品信息，都是在<div class="gl-i-wrap"></div>里面的。
我们打开scrapy shell 爬取该页面，如下图：
scrapy shell "https://search.jd.com/Search?keyword=%E5%86%B0%E6%B7%87%E6%B7%8B&enc=utf-8"输出：
...
[s] view(response) View response in a browser
>>>注意：url不要用单引号，否则会报错。
接下来，输入以下命令，使用css选择器
>>> response.css('div.gl-i-wrap')
[<Selector xpath="descendant-or-self::div[@class and contains(concat(' ', normalize-space(@class), ' '), ' gl-i-wrap ')]"
...返回了很多Selector 对象。
统计商品信息个数
>>> len(response.css('div.gl-i-wrap'))
30得到返回结果发现只有30个冰淇凌的信息，而我们再页面中明明看见了60个冰淇凌信息，这是为什么呢？
答：这也说明了刚开始页面只用30个冰淇淋信息，而我们滑动滑块时，执行了js代码，并向后台发送了ajax请求，浏览器拿到数据后再进一步渲染出另外了30个信息
我们可以点击network选项卡再次确认：
鉴于此，我们就想出了一种解决方案：即用js代码模拟用户滑动滑块到底的行为再结合execute端点提供的js代码执行服务即可（小伙伴们让我们开始实践吧）
注意：<div id="footer-2017"></div>就是页面底部了，因此，只需要滑动到底部即可。
首先：模拟用户行为
在console，输入以下命令：
e = document.getElementById("footer-2017")
e.scrollIntoView(true)效果如下，就直接滑动到底部了。
参数解释：
scrollIntoView是一个与页面（容器）滚动相关的API（官方解释），该API只有boolean类型的参数能得到良好的支持（firefox 36+都支持）
参数为true时调用该函数，页面（或容器）发生滚动，使element的顶部与视图（容器）顶部对齐；
使用scrapy.Request
上面我们使用Request发送请求，观察结果只有30条。为什么呢？因为页面时动态加载的所有我们只收到了30个冰淇淋的信息。
所以这里，使用scrapy.Request发送请求，并使用execute 端点解决这个问题。
打开上一篇文章中的爬虫项目dynamic_page，使用Pycharm打开，并点开Terminal
输入dir，确保当前目录是dynamic_page
(crawler) E:python_script爬虫dynamic_page>dir
驱动器 E 中的卷是 file
卷的序列号是 1607-A400
E:python_script爬虫dynamic_page 的目录
2020/09/12 10:37 <DIR> .
2020/09/12 10:37 <DIR> ..
2020/09/12 10:20 211 bin.py
2020/09/12 14:30 0 dynamicpage_pipline.json
2020/09/12 10:36 <DIR> dynamic_page
2020/09/12 10:33 0 result.csv
2020/09/12 10:18 267 scrapy.cfg
4 个文件 478 字节
3 个目录 260,445,159,424 可用字节接下来打开scrapy shell，输入命令：
scrapy shell输出：
...
[s] view(response) View response in a browser
>>>最后粘贴以下代码：
from scrapy_splash import SplashRequest #使用scrapy.splash.Request发送请求
url = "https://search.jd.com/Search?keyword=%E5%86%B0%E6%B7%87%E6%B7%8B&enc=utf-8"
lua = '''
function main(splash)
splash:go(splash.args.url)
splash:wait(3)
splash:runjs("document.getElementById('footer-2017').scrollIntoView(true)")
splash:wait(3)
return splash:html()
end
'''
fetch(SplashRequest(url,endpoint = 'execute',args= {'lua_source':lua})) #再次请求，我们可以看到现在已通过splash服务的8050端点渲染了js代码，并成果返回结果
len(response.css('div.gl-i-wrap'))效果如下：
[s] view(response) View response in a browser
>>> from scrapy_splash import SplashRequest #使用scrapy.splash.Request发送请求
>>> url = 'https://search.jd.com/Search?keyword=%E5%86%B0%E6%B7%87%E6%B7%8B&enc=utf-8'
>>> lua = '''
... function main(splash)
... splash:go(splash.args.url)
... splash:wait(3)
... splash:runjs("document.getElementById('footer-2017').scrollIntoView(true)")
... splash:wait(3)
... return splash:html()
... end
... '''
>>> fetch(SplashRequest(url,endpoint = 'execute',args= {'lua_source':lua})) #再次请求，我们可以看到现
在已通过splash服务的8050端点渲染了js代码，并成果返回结果
2020-09-12 14:30:54 [scrapy.core.engine] INFO: Spider opened
2020-09-12 14:30:54 [scrapy.downloadermiddlewares.redirect] DEBUG: Redirecting (302) to <GET https://w
ww.jd.com/error.aspx> from <GET https://search.jd.com/robots.txt>
2020-09-12 14:30:55 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://www.jd.com/error.aspx> (ref
erer: None)
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 27 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 83 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 92 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 202 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 351 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 375 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 376 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 385 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 386 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 387 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 388 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 389 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 397 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 400 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 403 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 404 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 405 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 406 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 407 without any user agent to enforce it on.
2020-09-12 14:30:55 [protego] DEBUG: Rule at line 408 without any user agent to enforce it on.
2020-09-12 14:30:55 [scrapy.core.engine] DEBUG: Crawled (404) <GET http://192.168.0.10:8050/robots.txt
> (referer: None)
2020-09-12 14:31:10 [scrapy.core.engine] DEBUG: Crawled (200) <GET https://search.jd.com/Search?keywor
d=%E5%86%B0%E6%B7%87%E6%B7%8B&enc=utf-8 via http://192.168.0.10:8050/execute> (referer: None)
>>> len(response.css('div.gl-i-wrap'))
60注意：由于fetch不能直接在python代码中执行，所以只能在scrapy shell 模式中执行。
最后的任务就回归到了提取内容了阶段了，小伙伴让我们完成整个代码吧！---这里结合scrapy shell 进行测试
三、代码实现
新建项目
这里对目录就没有什么要求了，找个空目录就行。
打开Pycharm，并打开Terminal，执行以下命令
scrapy startproject ice_cream
cd ice_cream
scrapy genspider jd search.jd.com在scrapy.cfg同级目录，创建bin.py，用于启动Scrapy项目，内容如下：
#在项目根目录下新建：bin.py
from scrapy.cmdline import execute
# 第三个参数是：爬虫程序名
execute(['scrapy', 'crawl', 'jd',"--nolog"])创建好的项目树形目录如下：
./
├── bin.py
├── ice_cream
│ ├── __init__.py
│ ├── items.py
│ ├── middlewares.py
│ ├── pipelines.py
│ ├── settings.py
│ └── spiders
│ ├── __init__.py
│ └── jd.py
└── scrapy.cfg修改settIngs.py
改写settIngs.py文件这里小伙伴们可参考github（https://github.com/scrapy-plugins/scrapy-splash）---上面有详细的说明
在最后添加如下内容：
# Splash服务器地址
SPLASH_URL = 'http://192.168.0.10:8050'
# 开启两个下载中间件，并调整HttpCompressionMiddlewares的次序
DOWNLOADER_MIDDLEWARES = {
'scrapy_splash.SplashCookiesMiddleware': 723,
'scrapy_splash.SplashMiddleware': 725,
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
}
# 设置去重过滤器
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
# 用来支持cache_args（可选）
SPIDER_MIDDLEWARES = {
'scrapy_splash.SplashDeduplicateArgsMiddleware': 100,
}
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
ITEM_PIPELINES = {
'ice_cream.pipelines.IceCreamPipeline': 100,
}注意：请根据实际情况，修改Splash服务器地址，其他的不需要改动。
修改文件jd.py
# -*- coding: utf-8 -*-
import scrapy
from scrapy_splash import SplashRequest
from ice_cream.items import IceCreamItem
#自定义lua脚本
lua = '''
function main(splash)
splash:go(splash.args.url)
splash:wait(3)
splash:runjs("document.getElementById('footer-2017').scrollIntoView(true)")
splash:wait(3)
return splash:html()
end
'''
class JdSpider(scrapy.Spider):
name = 'jd'
allowed_domains = ['search.jd.com']
start_urls = ['https://search.jd.com/Search?keyword=%E5%86%B0%E6%B7%87%E6%B7%8B&enc=utf-8']
base_url = 'https://search.jd.com/Search?keyword=%E5%86%B0%E6%B7%87%E6%B7%8B&enc=utf-8'
# 自定义配置，注意：变量名必须是custom_settings
custom_settings = {
'REQUEST_HEADERS': {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.75 Safari/537.36',
}
}
def parse(self, response):
# 这里能获取100页
page_num = int(response.css('span.fp-text i::text').extract_first())
# 但是100页太多了，这里固定为2页
page_num = 2
# print("page_num", page_num)
for i in range(page_num):
url = '%s?page=%s' % (self.base_url, 2 * i + 1) # 通过观察我们发现url页面间有规律
# print("url", url)
yield SplashRequest(url, headers=self.settings.get('REQUEST_HEADERS'), endpoint='execute',
args={'lua_source': lua}, callback=self.parse_item)
def parse_item(self, response): # 页面解析函数
# 创建item字段对象，用来存储信息
item = IceCreamItem()
for sel in response.css('div.gl-i-wrap'):
name = sel.css('div.p-name em').extract_first()
price = sel.css('div.p-price i::text').extract_first()
# print("name", name)
# print("price", price)
item['name'] = name
item['price'] = price
yield item
# yield {
# 'name': name,
# 'price': price,
# }修改items.py
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class IceCreamItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
# 与itcast.py定义的一一对应
name = scrapy.Field()
price = scrapy.Field()修改pipelines.py
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import json
class IceCreamPipeline(object):
def __init__(self):
#python3保存文件 必须需要'wb' 保存为json格式
self.f = open("ice_cream_pipline.json",'wb')
def process_item(self, item, spider):
# 读取item中的数据 并换行处理
content = json.dumps(dict(item), ensure_ascii=False) + ',n'
self.f.write(content.encode('utf=8'))
return item
def close_spider(self,spider):
#关闭文件
self.f.close()执行bin.py，等待1分钟，就会生成文件ice_cream_pipline.json
打开json文件，内容如下：
{"name": "<em><span class="p-tag" style="background-color:#c81623">京东超市</span>tn明治（meiji）草莓白巧克力雪糕 245g（6支）彩盒 <font class="skcolor_ljg">冰淇淋</font></em>", "price": "46.80"},
{"name": "<em><span class="p-tag" style="background-color:#c81623">京东超市</span>tn伊利 巧乐兹香草巧克力口味脆皮甜筒雪糕<font class="skcolor_ljg">冰淇淋</font>冰激凌冷饮 73g*6/盒</em>", "price": "32.80"},
...本文参考链接：
https://www.cnblogs.com/518894-lu/p/9067208.html
- 如何使用HAProxy实现HiveServer2负载均衡
- 机器学习之决策树算法
- 如何使用HAProxy实现Impala的负载均衡
- 解读GEO数据存放规律及下载，一文就够
- 从GEO数据库下载得到表达矩阵 一文就够
- 机器学习各类算法比较
- Kerberos环境下删除ZooKeeper服务注册信息问题分析
- 根据分组信息做差异分析- 这个一文不够的
- 如何使用Cloudera Manager启用YARN的HA
- 如何使用java代码通过JDBC连接Hive(附github源码)
- 差异分析得到的结果注释一文就够
- 如何使用Cloudera Manager禁用HDFS HA
- 转录组表达数据分析的一些可视化
- 如何使用java代码通过JDBC连接Impala(附Github源码)
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- GitHub 再见 Master !
- IT运维面试问题总结-Linux基础
- 6.Docker使用辅助工具汇总
- IT运维面试问题总结-基础服务、磁盘管理、虚拟平台和系统管理
- IT运维面试问题总结-运维工具、开源应用(Ansible、Ceph、Docker、Apache、Nginx等)
- IT运维面试问题总结-数据库、监控、网络管理（NoSQL、MongoDB、MySQL、Prometheus、Zabbix）
- IT运维面试问题总结-LVS、Keepalived、HAProxy、Kubernetes、OpenShift等
- GitHub 标星 119K+！这些神器仅需一行代码即可下载全网视频！
- React进阶(2)-上手实践Redux-如何获取store的数据
- 关于Python3.9，这张「新特性必知图」就够了
- 3.Docker学习之Dockerfile
- n1.Docker命令参数一览表
- 2.Docker学习之基础使用
- 4-Kubernetes基础实战操作与配置
- n3-Kubernets对象字段描述一览