用Scrapy抓取当当网站数据_使用scrapy爬取当当网数据

setting.py实验目的及要求：

【实验目的】

     通过本实验了解Scrapy爬虫框架；熟练掌握Scrapy的基本使用方法和常用技巧。

【实验要求】

     使用Scrapy框架，抓取网站商品信息（京东、淘宝、当当等任选一个），并将结果保存成多种形式。（本文选择当当）

实验原理及内容：

【实验原理】（列出相关知识点）

1. Scrapy框架:
   • 理解Scrapy框架的基本原理和架构。
2. HTTP请求和响应:
   • 理解HTTP请求和响应的基本概念。
   • 如何通过Scrapy发送HTTP请求和处理响应。
3. Web页面结构:
   • 了解HTML和CSS的基础知识，理解Web页面的结构。
4. CSS选择器和XPath:
   • 使用CSS选择器或XPath在网页中定位和提取信息。
5. Scrapy Spider:
   • 创建Scrapy Spider，定义如何抓取和解析页面。
   • 如何通过Spider跟踪链接和处理分页。
6. Scrapy Items:
   • 定义Scrapy Items，用于存储抓取的数据。
7. Scrapy Pipelines:
   • 编写Scrapy Pipelines处理抓取到的Item。
   • 配置Pipeline在settings.py中。
8. 异常处理:
   • 处理可能出现的异常，例如超时、连接错误等。
9. 数据存储:
   • 将抓取到的数据保存到不同的存储介质，如文件、数据库等。
10. 用户代理和IP代理:
    • 设置和使用用户代理和IP代理，以避免被封禁。
11. 异步和并发:
    • 配置异步和并发请求以提高爬取效率。
12. Scrapy Settings:
    • 配置Scrapy的Settings，包括用户代理、下载延迟等。
13. Web爬取伦理:
    • 了解爬虫的伦理和法律问题，避免对网站造成不必要的压力。
14. 日志和调试:
    • 使用Scrapy的日志系统进行调试。
15. 扩展和定制:
    • 定制和扩展Scrapy，满足特定需求。

【程序思路】

1. 首先，因为我们要抓取网页中的标题、链接和评论数，所以我们首先得写items.py
2. 在这里添加完我们需要爬取的哪些数据后，我们在转向我们的爬虫文件，我们通过 scrapy genspider dd dangdang.com 创建了一个爬虫文件dd.py
3. 然后开始撰写settings.py
4. 最后编写pipelines.py文件了（也就是可以正式操作数据了）。

 实验数据与结果分析：（含运行结果截屏）

【实验结果】

【结果分析】

         利用Scrapy框架抓取了当当网站商品信息，并通过ppline.py将数据存储到了mysql数据库中，可以以不同数据存储方式存储。

实验小结：（包括问题和解决方法、心得体会、意见与建议等）

         在进行这个实验的过程中，我首先面临的挑战是网站结构的变化。由于当当网站可能会定期更新，导致之前编写的爬虫代码无法正确提取信息。为了解决这个问题，我学习了如何动态调整选择器以适应变化的网页结构，并通过查看网页源代码来快速调整选择器，确保爬虫的准确性。

         在实验中，我深刻体会到Scrapy框架的强大之处。通过定义Item、编写Spider、配置Pipeline等步骤，我成功地构建了一个功能强大的爬虫，能够高效地抓取和处理目标网站的信息。学会使用Scrapy的中间件和设置，我更好地掌握了爬虫的并发和异步请求的处理方式，提高了爬取效率。

         通过实验，我还发现了对数据进行实时分析和监控的重要性。及时发现并解决异常情况，如数据缺失、异常格式等，有助于提高爬虫的稳定性。此外，通过对数据进行统计和可视化分析，我更全面地了解了抓取到的信息，发现了一些潜在的趋势和规律。通过这个实验，我不仅掌握了Scrapy框架的使用，还培养了解决实际问题的能力，让我受益匪浅。

实验源代码清单：（带注释）

item.py:

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
 
import scrapy
 
class DangdangItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    link = scrapy.Field()
    price = scrapy.Field()
    shop = scrapy.Field()

# Scrapy settings for dangdang project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html
 
BOT_NAME = 'dangdang'
 
SPIDER_MODULES = ['dangdang.spiders']
NEWSPIDER_MODULE = 'dangdang.spiders'
 
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = {
      'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36',
}
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
LOG_LEVEL = 'ERROR'
 
# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32
 
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
 
# Disable cookies (enabled by default)
#COOKIES_ENABLED = False
 
# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False
 
# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}
 
# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'dangdang.middlewares.DangdangSpiderMiddleware': 543,
#}
 
# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
DOWNLOADER_MIDDLEWARES = {
   'dangdang.middlewares.DangdangDownloaderMiddleware': 543,
}
 
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}
 
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'dangdang.pipelines.DangdangPipeline': 300,
}
 
# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False
 
# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
'
运行
运行

Pipline.py

# 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
 
# useful for handling different item types with a single interface
#from itemadapter import ItemAdapter
#from pymongo import MongoClient
 
class DangdangPipeline:
    def __init__(self):
        self.client = MongoClient(host='localhost',port=27017)
        self.db = self.client['当当']
        self.collections = self.db['python爬虫']
 
    def process_item(self, item, spider):
        data = {
            'title': item['title'],
            'link': item['link'],
            'price': item['price'],
            'shop': item['shop'],
        }
        print(data)
        self.collections.insert(data)
        return item
'
运行
运行

dd.py

import scrapy
from dangdang.items import DangdangItem
 
class DdSpider(scrapy.Spider):
    name = 'dd'
    # allowed_domains = ['www.dangdang.com']
    start_urls = ['http://search.dangdang.com/?key=python%C5%C0%B3%E6&act=input&page_index=1']
 
    def parse(self, response):
        item = DangdangItem()
        li_lists = response.xpath('//*[@id="component_59"]/li')
        for li_list in li_lists:
            title = li_list.xpath('./p[1]/a/@title').extract()[0]
            link = 'http:'+li_list.xpath('./p[1]/a/@href').extract()[0]
            price = li_list.xpath('./p[3]/span/text()').extract()[0]
            shop = li_list.xpath('./p[4]/a/text()').extract()[0]
            item['title'] = title
            item['link'] = link
            item['price'] = price
            item['shop'] = shop
            # print(title)
            # print(link)
            # print(price)
            # print(shop)
            # print('*'*100)
            yield item
 
        for page in range(2,101):
            url = f'http://search.dangdang.com/?key=python%C5%C0%B3%E6&act=input&page_index={page}'
            result = scrapy.Request(url,callback=self.parse)
            yield result

项目总结构为：