一開始看京東商城的商品，發現很多信息都在網頁源代碼上，以為會比淘寶的大規模爬取簡單點，結果被京東欺騙了無數次，整整寫了差不多六個小時，真是坑爹啊。先貼上github地址：https://github.com/xiaobeibei26/jingdong

鏈接：https://www.jianshu.com/p/e938a78b2f75

先說下這個網站，首先在首頁隨便輸入一個想爬取的商品類別，觀察到一般商品數目都是100頁的，除非有些比較稀少的商品，如圖

Paste_Image.png

?

介紹一下網站的分析過程，默認情況下在首頁輸入一件商品時，出來的搜索頁面是只有30件商品的，屏幕的右側下拉框拉到下面會觸發一個ajax的請求，把剩下的30個商品渲染出來，一般每頁60個商品里面是有三個左右是廣告的，也就是有效商品一般是57個。這里看一下這個AJAX請求，這個是爬取難點

Paste_Image.png

?

看一看這個請求頭，我當時第一個感覺以為很多參數是可以去掉，拿到一個很簡便的鏈接就可以了

?

當時沒注意，刪了很多參數直接請求，結果調試了很久，獲得的商品在插進數據庫去重的時候都是只剩網頁的一般，細細觀察了一下發現鏈接雖然不同，請求回來的商品卻是一樣的，然后我再細細看了看這個ajax請求，鼓搗了好久，最終發現這個URL后面的每個數字都是每一件商品的ID，而這個ID隱藏在第一次剛打開網頁時候最初的那些商品里面，如圖.........

Paste_Image.png

?

這里結合ajax請求的參數看，

Paste_Image.png

?

然后我又從新改掉爬蟲邏輯，改代碼，又花了兩個小時，好慘啊.......

然后終于可以一次提取完整的網頁商品了，最后提示一下，京東網頁第一頁的商品里面頁數page是顯示1和2的，第二頁是3和4，這個有點特殊，最后上一張爬蟲主程序圖

# -*- coding: utf-8 -*- import scrapyfrom jingdong.items import JingdongItemclass JdSpider(scrapy.Spider):name = "jd"allowed_domains = ["www.jd.com"]start_urls = ['http://www.jd.com/']search_url1 = 'https://search.jd.com/Search?keyword={key}&enc=utf-8&page={page}'#search_url2='https://search.jd.com/s_new.php?keyword={key}&enc=utf-8&page={page}&scrolling=y&pos=30&show_items={goods_items}'search_url2= 'https://search.jd.com/s_new.php?keyword={key}&enc=utf-8&page={page}&s=26&scrolling=y&pos=30&tpl=3_L&show_items={goods_items}'shop_url ='http://mall.jd.com/index-{shop_id}.html'def start_requests(self):key = '褲子'for num in range(1,100):page1 = str(2*num-1)#構造頁數page2 = str(2*num)yield scrapy.Request(url=self.search_url1.format(key=key,page=page1),callback=self.parse,dont_filter = True)yield scrapy.Request(url=self.search_url1.format(key=key,page=page1),callback=self.get_next_half,meta={'page2':page2,'key':key},dont_filter = True)#這里一定要加dont_filter = True，不然scrapy會自動忽略掉這個重復URL的訪問def get_next_half(self,response):try:items = response.xpath('//*[@id="J_goodsList"]/ul/li/@data-pid').extract()key = response.meta['key']page2 =response.meta['page2']goods_items=','.join(items)yield scrapy.Request(url=self.search_url2.format(key=key, page=page2, goods_items=goods_items),callback=self.next_parse,dont_filter=True)#這里不加這個的話scrapy會報錯dont_filter，官方是說跟allowed_domains沖突，可是第一個請求也是這個域名，實在無法理解except Exception as e:print('沒有數據')def parse(self, response):all_goods = response.xpath('//div[@id="J_goodsList"]/ul/li')for one_good in all_goods:item = JingdongItem()try:data = one_good.xpath('div/div/a/em')item['title'] = data.xpath('string(.)').extract()[0]#提取出該標簽所有文字內容item['comment_count'] = one_good.xpath('div/div[@class="p-commit"]/strong/a/text()').extract()[0]#評論數item['goods_url'] = 'http:'+one_good.xpath('div/div[4]/a/@href').extract()[0]#商品鏈接item['shops_id']=one_good.xpath('div/div[@class="p-shop"]/@data-shopid').extract()[0]#店鋪IDitem['shop_url'] =self.shop_url.format(shop_id=item['shops_id'])goods_id=one_good.xpath('div/div[2]/div/ul/li[1]/a/img/@data-sku').extract()[0]if goods_id:item['goods_id'] =goods_idprice=one_good.xpath('div/div[3]/strong/i/text()').extract()#價格if price:#有寫商品評論數是0，價格也不再源代碼里面，應該是暫時上首頁的促銷商品，每頁有三四件，我們忽略掉item['price'] =price[0]yield itemexcept Exception as e:passdef next_parse(self,response):all_goods=response.xpath('/html/body/li')for one_good in all_goods:item = JingdongItem()try:data = one_good.xpath('div/div/a/em')item['title'] = data.xpath('string(.)').extract()[0] # 提取出該標簽所有文字內容item['comment_count'] = one_good.xpath('div/div[@class="p-commit"]/strong/a/text()').extract()[0] # 評論數item['goods_url'] = 'http:' + one_good.xpath('div/div[4]/a/@href').extract()[0] # 商品鏈接item['shops_id'] = one_good.xpath('div/div[@class="p-shop"]/@data-shopid').extract()[0] # 店鋪IDitem['shop_url'] = self.shop_url.format(shop_id=item['shops_id'])goods_id = one_good.xpath('div/div[2]/div/ul/li[1]/a/img/@data-sku').extract()[0]if goods_id:item['goods_id'] = goods_idprice = one_good.xpath('div/div[3]/strong/i/text()').extract() # 價格if price: # 有寫商品評論數是0，價格也不再源代碼里面，應該是暫時上首頁的促銷商品，每頁有三四件，我們忽略掉item['price'] = price[0]yield itemexcept Exception as e:pass

pipline代碼如圖

class JingdongPipeline(object):# def __init__(self):# self.client = MongoClient()# self.database = self.client['jingdong']# self.db = self.database['jingdong_infomation']## def process_item(self, item, spider):#這里以每個用戶url_token為ID，有則更新，沒有則插入# self.db.update({'goods_id':item['goods_id']},dict(item),True)# return item## def close_spider(self,spider):# self.client.close()def __init__(self):self.conn = pymysql.connect(host='127.0.0.1',port=3306,user ='root',passwd='root',db='jingdong',charset='utf8')self.cursor = self.conn.cursor()def process_item(self, item, spider):try:#有些標題會重復，所以添加異常title = item['title']comment_count = item['comment_count'] # 評論數shop_url = item['shop_url'] # 店鋪鏈接price = item['price']goods_url = item['goods_url']shops_id = item['shops_id']goods_id =int(item['goods_id'])#sql = 'insert into jingdong_goods(title,comment_count,shop_url,price,goods_url,shops_id) VALUES (%(title)s,%(comment_count)s,%(shop_url)s,%(price)s,%(goods_url)s,%(shops_id)s,)'try:self.cursor.execute("insert into jingdong_goods(title,comment_count,shop_url,price,goods_url,shops_id,goods_id)values(%s,%s,%s,%s,%s,%s,%s)", (title,comment_count,shop_url,price,goods_url,shops_id,goods_id))self.conn.commit()except Exception as e:passexcept Exception as e:pass

運行結果如圖

Paste_Image.png

?

運行了幾分鐘，每頁一千條，共爬了幾萬條褲子，京東的褲子真是多
mysql數據庫插入操作

作者：蝸牛仔
鏈接：https://www.jianshu.com/p/e938a78b2f75
來源：簡書
?

總結

以上是生活随笔為你收集整理的京东爬虫的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。