作者：韦玮
转载请注明出处
目前，网络爬虫应用领域非常广，在搜索引擎、大数据分析、客户挖掘中均可以用到。在本篇博文中，韦玮老师会以当当网爬虫为例，为大家讲解如何编写一个自动爬虫将当当网的商品数据都爬取下来。
首先，需要创建一个名为dangdang的爬虫项目，如下所示：
D:\Python35\myweb>scrapy startproject dangdang
New Scrapy project 'dangdang', using template directory 'd:\\python35\\lib\\site-packages\\scrapy\\templates\\project', created in:
D:\Python35\myweb\dangdang
You can start your first spider with:
cd dangdang
scrapy genspider example example.com
创建好了爬虫项目之后，我们需要进入该爬虫项目，然后在爬虫项目中创建一个爬虫，如下所示：
D:\Python35\myweb>cd .\dangdang\
D:\Python35\myweb\dangdang>scrapy genspider -t basic dangspd dangdang.com
Created spider 'dangspd' using template 'basic' in module:
Dangdang.spiders.dangspd
爬虫和爬虫项目是不一样的，一个爬虫项目中可以有1个或多个爬虫文件。
随后，我们需要编写items.py文件，在该文件中定义好需要爬取的内容，我们将items.py文件修改为如下所示：
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
import scrapy
class DangdangItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
#商品标题
title=scrapy.Field()
#商品评论数
num=scrapy.Field()
随后，需要编写pipelines.py文件，在pipelines.py文件中，我们一般会编写一些爬取后数据处理的代码，我们需要将爬取到的信息依次展现到屏幕上（当然你也可以将爬取到的信息写进文件或数据库中），我们将pipelines.py文件修改为如下所示：
# -*- coding: utf-8 -*-
# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
class DangdangPipeline(object):
def process_item(self, item, spider):
#item=dict(item)
#print(len(item["name"]))
for j in range(0,len(item["title"])):
print(j)
title=item["title"][j]
num=item["num"][j]
print("商品名："+title)
print("商品评论数："+num)
print("--------")
return item
随后，接下来我们还需要编写配置文件settings.py，编写配置文件的目的有两个：
1）、启用刚刚编写的pipelines，因为默认是不启用的。
2）、设置不遵循robots协议爬行，因为该协议对我们的爬虫有相关限制，遵循该协议，可能会无法爬取到结果。
我们可以将配置文件settings.py的robots协议配置部分修改为如下所示，此时值设置为False，代表让爬虫不遵循当当网的robots协议爬行，当然我们不要利用这些技术做违法事项。
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
然后，我们再将配置文件settings.py的pipelines配置部分设置为如下所示，开启对应的pipelines:
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'dangdang.pipelines.DangdangPipeline': 300,
}
随后，我们需要分析当当网的网页结构，总结出信息提取的规则以及自动爬行的规律。
我们打开某一个频道页，各页对应的网址如下所示：
http://category.dangdang.com/pg1-cid4002644.html
http://category.dangdang.com/pg2-cid4002644.html
http://category.dangdang.com/pg3-cid4002644.html
……
此时，我们会发现，网页的格式形如：http://category.dangdang.com/pg[页码]-cid4002644.html
有了该规律之后，我们可以将页码位置设置为变量，通过for循环就可以构造出一个频道中所有的商品页，也就通过这种方式实现了自动爬取。
然后，我们再分析商品信息的提取规律。
我们打开任意一个频道页http://category.dangdang.com/pg1-cid4002644.html，然后可以看到如下界面：
此时我们需要提取该页面中所有的商品标题和商品评论信息，将其他无关信息过滤掉。所以，我们可以查看该网页源代码，以第一个商品为例进行分析，然后总结出所有商品的提取规律。我们可以右键--查看源代码，然后通过ctrl+find快速定位源码中该商品的对应源代码部分，如下所示：
对应源代码复制出来如下所示：
……
<a title=" [当当自营]EGISOO御姬秀橙花润唇膏3g 无色护唇膏 淡化唇纹 水润晶莹 保湿润唇膏 " class="pic" href="https://ask.hellobi.com/http://product.dangdang.com/60629118.html#ddclick?act=click&pos=60629118_0_2_m&cat=4002644&key=&qinfo=&pinfo=&minfo=14215_1_48&ninfo=&custid=&permid=20160906025129757347420307757891648&ref=&rcount=&type=&t=1476452492000&searchapi_version=test_ori" target="_blank" ><img src='http://img3x8.ddimg.cn/33/30/60629118-1_b_2.jpg' alt=' [当当自营]EGISOO御姬秀橙花润唇膏3g 无色护唇膏 淡化唇纹 水润晶莹 保湿润唇膏 ' /></a><p class="price" > <span class="price_n">¥9.90</span></p><p class="name" ><a title=" [当当自营]EGISOO御姬秀橙花润唇膏3g 无色护唇膏 淡化唇纹 水润晶莹 保湿润唇膏 " href="https://ask.hellobi.com/http://product.dangdang.com/60629118.html#ddclick?act=click&pos=60629118_0_2_m&cat=4002644&key=&qinfo=&pinfo=&minfo=14215_1_48&ninfo=&custid=&permid=20160906025129757347420307757891648&ref=&rcount=&type=&t=1476452492000&searchapi_version=test_ori" target="_blank" > [当当自营]EGISOO御姬秀橙花润唇膏3g 无色护唇膏 淡化唇纹 水润晶莹 保湿润唇膏 </a></p><p class="subtitle" > 明星都在用 水润护唇 秋冬换季必备 呵护你的双唇晶莹剔透明媚动人 正品保证 货到付款 </p><p class="star" style="display:none"><span class="level"><span style="width: 100%;"></span></span><a href="https://ask.hellobi.com/http://comm.dangdang.com/review/reviewlist.php?pid=60629118#ddclick?act=sort_total_review_count_desc&pos=60629118_0_2_m&cat=4002644&key=&qinfo=&pinfo=&minfo=14215_1_48&ninfo=&custid=&permid=20160906025129757347420307757891648&ref=&rcount=&type=&t=1476452492000&searchapi_version=test_ori" target="_blank" name="P_pl">434条评论</a></p> </div>
……
所以，我们可以得到提取商品标题和商品评论的Xpath表达式，如下所示：
#提取商品标题
"//a[@class='pic']/@title"
#提取商品评论
"//a[@name='P_pl']/text()"
在这里时间有限，无法详细讲解Xpath表达式基础，没有Xpath表达式基础的朋友可以参考下方作者的书籍或者百度自行补充，XPath基础部分知识不属于本篇博文范畴。
此时，我们已经总结出了信息提取的对应的Xpath表达式，然后我们可以编写刚才最开始的时候创建的爬虫文件dangspd.py了，我们将爬虫文件编写修改为如下所示：
# -*- coding: utf-8 -*-
import scrapy
import re
from dangdang.items import DangdangItem
from scrapy.http import Request
class DangspdSpider(scrapy.Spider):
name = "dangspd"
allowed_domains = ["dangdang.com"]
start_urls = (
'http://category.dangdang.com/pg1-cid4002644.html',
)
def parse(self, response):
item=DangdangItem()
item["title"]=response.xpath("//a[@class='pic']/@title").extract()
item["num"]=response.xpath("//a[@name='P_pl']/text()").extract()
yield item
for i in range(2,101):
url="http://category.dangdang.com/pg"+str(i)+"-cid4002644.html"
yield Request(url, callback=self.parse)
这样，就可以实现爬虫的编写了。
随后，我们可以进入调试和运行阶段。
我们进入cmd界面，运行该爬虫，出现如下所示结果，中间结果太长，省略了部分：
D:\Python35\myweb\dangdang>scrapy crawl dangspd --nolog
……
43
商品名： WIS水润面膜套装24片 祛痘控油补水保湿淡痘印收缩毛孔面膜贴男女
商品评论数：255条评论
--------
44
商品名：欧诗漫水活奇迹系列【水活奇迹珍珠水(清润型)+珍珠水活奇迹保湿凝乳】
商品评论数：0条评论
--------
45
商品名：【法国进口】雅漾（Avene）活泉恒润保湿精华乳30ml 0064
商品评论数：0条评论
--------
46
商品名：【法国进口】Avene雅漾敏感肌肤护理净柔洁面摩丝150ml温和泡沫洁面乳洗面奶0655
商品评论数：0条评论
--------
47
商品名：珍视明中老年护眼贴2盒装 30对60贴 针对中老年用眼问题 缓解眼疲劳
商品评论数：226条评论
--------
可以看到，此时一共输出了19K多行，将近2万行数据，如下所示：
捕获3.PNG
每个数据占4行，所以将近爬取了19210/4=4802.5条数据，当然这个是估算，因为中间可能会有极少量的数据抓取异常等情况，这是正常的。目前已经抓取了将近100页的数据，而爬虫中设置爬取100页，所以结果属于正常的。
作者新书推荐
