这是上的第二节爬虫课程的课后作业：抓取京东某类商品的信息，这里我选择了手机品类。

使用scrapy爬虫框架，需要编写和设置的文件主要有phone.py , pipelines.py , items.py , settings.py , 其中主要编写的是前两个文件，最后一个文件主要设置破解反爬方法。

phone.py编写程序如下：

import scrapyfrom scrapy.http import Requestfrom jd_phone.items import JdPhoneItemimport reimport urllib.requestclass PhoneSpider(scrapy.Spider):    name = "phone"    allowed_domains = ["jd.com"]    start_urls = ['http://jd.com/']    #获取商品手机100页网址    def parse(self, response):        for i in range(1, 100):            url = "https://search.jd.com/Search?keyword=手机&enc=utf-8&page="+str(i*2-1)            yield Request(url=url,callback=self.product_url)    #获取每页商品链接    def product_url(self, response):        urls = response.xpath('//div[@class="p-name p-name-type-2"]/a[@target="_blank"]/@href').extract()        for i in urls:            url = response.urljoin(i)            yield Request(url=url, callback=self.product)    #获取商品的链接，名称，价格，评论数    def product(self, response):        #获取标题        #title = response.xpath("//li[@class='img-hover']/img/@alt").extract()#部分网页不行        title = response.xpath("//img/@alt").extract()        #获取id号，用来构造价格和评论的链接        pattern = r"(\d+)\.html$"        id = re.findall(pattern, response.url)        #得到价格        priceUrl = "https://p.3.cn/prices/mgets?&skuIds=J_"+str(id[0])        priceData = urllib.request.urlopen(priceUrl).read().decode("utf-8", "ignore")        patt = r'"p":"(\d+\.\d+)"'        price = re.findall(patt, priceData)        #得到评论数        commentUrl = "https://club.jd.com/comment/productCommentSummaries.action?referenceIds="+str(id[0])        commentData = urllib.request.urlopen(commentUrl).read().decode("utf-8", "ignore")        patt1 = r'"CommentCount":(\d+),'        comment = re.findall(patt1, commentData)        item = JdPhoneItem()        item["url"] = response.url        item["title"] = title[0]        item["price"] = price[0]        item["comment"] = comment[0]        yield item

pipelines.py编写程序如下：

import pymysql.cursorsclass JdPhonePipeline(object):    #连接登陆mysql，新建数据表    def __init__(self):        self.conn=pymysql.connect(host="127.0.0.1",                                  user="root",                                  passwd="123456",                                  charset='utf8mb4',                                  cursorclass=pymysql.cursors.DictCursor)        cur = self.conn.cursor()        cur.execute("CREATE DATABASE jd")        cur.execute("USE jd")        cur.execute("CREATE TABLE phone (id INT PRIMARY KEY AUTO_INCREMENT,url VARCHAR(50),title VARCHAR(50),price VARCHAR(10),comment VARCHAR(10))")    #mysql写入    def process_item(self, item, spider):        try:            url = item["url"]            title = item["title"]            price = item["price"]            comment = item["comment"]            cur = self.conn.cursor()            sql = "INSERT INTO phone (url, title, price, comment) VALUES ('"+url+"','"+title+"','"+price+"','"+comment+"')"            cur.execute(sql)            self.conn.commit()            return item        except Exception as err:            print(err)    #关闭连接    def close_spider(self):        self.conn.close()

items.py编写程序如下：

import scrapyclass JdPhoneItem(scrapy.Item):    # define the fields for your item here like:    # name = scrapy.Field()    url = scrapy.Field()    title = scrapy.Field()    price = scrapy.Field()    comment = scrapy.Field()

另外不忘settings.py设置常规破解反爬方法。

这个爬虫项目主要学习了：

1. 网页源代码屏蔽数据的获取，使用F12开发人员调试工具获取屏蔽信息的网址，通过下载网址读取数据匹配所需信息。

2. 将抓取的数据写入mysql中。

   要将mysql数据写进本地csv文件，使用如下方法

   mysql> select * from phone

      --> into outfile'c:/ProgramData/MySQL/MySQL Server 5.7/Uploads/phone.csv'

      --> fields terminated by ',' optionally

      --> enclosed by '"' escaped by '"'

      --> lines terminated by '\n';

   解决导出csv中文乱码的问题，将phone.csv复制到桌面，用记事本打开，然后另存为，选择utf8编码。

   如果是要将csv数据写进mysql，使用如下方法（先要创建对应数据表）

   mysql> load data infile 'c:/ProgramData/MySQL/MySQL Server 5.7/Uploads/phone.csv'

      --> into table phone1

      --> fields terminated by ','  optionally

      --> enclosed by '"' escaped by '"'

      --> lines terminated by '\n';