scrapy项目3：爬取当当网中机器学习的数据及价格（spider类）

1.网页解析

　　当当网中，人工智能数据的首页url如下为http://category.dangdang.com/cp01.54.12.00.00.00.html

　　

　　点击下方的链接，一次观察各个页面的url变化，发现每一页的url规律如下：在进行页面切换时除第一页外，其他页面的url变化规律为只有pg后的数字会随着页面的不同而变化，并且和页面数相同，我们就可以利用此规律，运用spider类来对每一个这样的页面信息进行爬取，并且符合此种规律的页面均可以按照同样的方式来爬取；

　　第1页：http://category.dangdang.com/cp01.54.12.00.00.00.html

　　第2页：http://category.dangdang.com/pg2-cp01.54.12.00.00.00.html

　　第3页：http://category.dangdang.com/pg3-cp01.54.12.00.00.00.html

　　第4页：http://category.dangdang.com/pg4-cp01.54.12.00.00.00.html

2. scrapy 具体实现代码

　　目标：爬取当当网上人工智能类数据的名称和价格，如下图：

　　　

　　2.1)项目结构：

　　

　　2.2）book.py代码

# -*- coding: utf-8 -*-
import scrapy
# 导入items中的类
from dangdang04.items import Dangdang04Item
 
class BookSpider(scrapy.Spider):
    name = "book"
    allowed_domains = ["category.dangdang.com"]
    url = 'http://category.dangdang.com/'
    offset = 1
    start_urls = [url + 'cp01.54.12.00.00.00.html']
 
    def parse(self, response):
        # 实例化类
        item = Dangdang04Item()
        # 定义提取规则,返回selector对象
        book_list = response.xpath('//ul[@class="bigimg"]/li')
        for book_info in book_list:
            # 书的名称
            item['name'] = book_info.xpath('./p[@class="name"]/a/@title').extract()[0]
            # 书的价格
            item['price'] = book_info.xpath('./p[@class="price"]/span[1]/text()').extract()[0]
            yield item
 
        if self.offset < 80:
            # 构建新的url再次发送请求
            self.offset += 1
            url = self.url + 'pg' + str(self.offset) + '-cp01.54.12.00.00.00.html'
            yield scrapy.Request(url,callback=self.parse)

　　2.3）items.py代码

# -*- 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 Dangdang04Item(scrapy.Item):
    # 图书名称
    name = scrapy.Field()
    # 价格
    price = scrapy.Field()

　　2.4）pipelines.py代码

# -*- 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
 
import json
 
class Dangdang04Pipeline(object):
    def __init__(self):
        # 定义json文件，用于写入爬取的目标信息
        self.filename = open('booklist.json','w')
    def process_item(self, item, spider):
        # 将item数据转换乘json格式数据
        text = json.dumps(dict(item),ensure_ascii = False) + '\n'
        # 将text数据写入本地文件中
        self.filename.write(text.encode('utf-8'))
        return item
 
    def close_spider(self,spider):
        # 爬虫结束，关闭本地文件
        self.filename.close()

　　2.5).settings.py文件对应设置

# user-agent设置
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:60.0) Gecko/20100101 Firefox/60.0'
# 下载延迟设置
DOWNLOAD_DELAY = 2.5
# 关键文件配置
ITEM_PIPELINES = {
    'dangdang04.pipelines.Dangdang04Pipeline': 300,
}