- 概述
- 开始
- 启动项目
- 爬虫初始化
- 处理响应
- 回调函数的参数
- 图片下载（未完待续）
- 相关资源
本文记录了个人使用 Scrapy 爬取某网站产品信息（包含图片下载）的整个过程，也可以作为一篇 Scrapy 实战教学博客。
首先从 All Products 页面出发，首先抓取所有分类页面的链接：如 https://www.example.com/category/category-name
再从每个产品分类页面抓取产品详情页面链接：如 https://www.example.com/product/product-name
最后解析产品详情页面的响应，提取所需数据，下载相关图片
首先需要安装 scrapy，pip命令
pip install scrapy启动项目
在 Pycharm 工作目录下新建一个名为 scrapy_demo 的目录（以后其他scrapy 爬虫项目也可以放到该目录下），打开终端 Terminal，使用 cd 命令进入 scrapy_demo 目录，使用 scrapy 创建项目命令：
scrapy startproject product
其中 product 是爬虫项目名，可以修改
此时目录结构应该如下：（products_spider.py 是后面自己添加的）
各目录结构详解请参考官方文档
- 在 spiders 目录下新建一个 products_spider.py 文件(命名似乎并无严格要求)
- 加入初始代码：
import scrapy
from ..items import ProductItem
class ProductsSpider(scrapy.Spider):
"""
Products Spider
"""
name = "products" # 爬虫的名字, 后面启动爬虫需要用到
host = 'http://www.example.com'
def start_requests(self):
urls = [
'http://www.example.com/products.html'
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
def parse(self, response, **kwargs):
# @todo 处理首页响应
pass
爬虫执行的流程：首先会执行 start_requests 方法，最后 yield Request 发出多个请求，请求的响应将会被 Request 中的参数 callback 所指定的函数接收并处理，这里对首页的请求的响应将会被 parse 函数处理。
- 定义 Item，也就是需要获取的字段，在 items.py 中编写代码。示例如下：
import scrapy
class ProductItem(scrapy.Item):
# define the fields for your item here like:
name = scrapy.Field() # 产品名称
images = scrapy.Field() # 产品图片, 是一个列表
category = scrapy.Field() # 产品分类名
price = scrapy.Field() # 产品价格
description = scrapy.Field() # 产品描述, 长文本
pass
处理响应
回到 products_spider.py 中，接下来需要对响应进行处理。
- 在函数 parse 中的 response 是首页的响应，我们需要从中获取到每一个分类页面的链接，（解析数据个人用的是 xpath）然后对每一个链接再发起请求，并把响应交给处理分类页面的响应的函数。
- 因此，额外再编写一个函数 parse_category 用于处理分类页面的响应。
- 同理，分类页面获取到产品详情页面的链接，再次发起请求，并将响应交给 parse_product 函数。
- 代码如下：
def parse(self, response, **kwargs):
# 从首页获取各个分类页面url
tree = etree.HTML(response.text) # 注意这里需要 from lxml.html import etree
hrefs = tree.xpath("hrefs xpath express")
for href in hrefs:
# 发起分类页面请求
yield scrapy.Request(url=self.host + href, callback=self.parse_category)
def parse_category(self, response):
# 从分类页面获取产品详情页面url
tree = etree.HTML(response.text)
product_urls = tree.xpath("products url xpath express")
category = tree.xpath("categroy text xpath express")[0]
for url in product_urls:
# 发起产品详情页面请求
yield scrapy.Request(url=self.host + url, callback=self.parse_product)
def parse_product(self, response):
# 解析产品详情页面, 将数据汇总到 Item 中
tree = etree.HTML(response.text)
item = ProductItem()
item['name'] = tree.xpath('xxxxx/text()')[0]
yield item
回调函数的参数
- 当我们在 parse_product 函数中想获取产品分类填充到 item 中，而产品详情页面中没有该数据，产品分类数据在分类页面中。要怎么做呢？
- 这种情况需要在 parse_category 函数中获取产品分类，并将该产品分类数据传递到函数 parse_product 函数中。实际上，这里的一些列 parse_* 函数都可以称为回调，那么我们要如何传递参数给回调函数呢？
- 详细请参考官方文档，我这里直接给出代码：在 yield Request 时，可以添加一个额外参数：cb_kwargs={‘cate’: category}，它的值是一个字典，表示将 category 的值传递给下一个响应处理函数，即 parse_product ,同时在 parse_product 中添加一个名为 cate 的参数来接收值
def parse_category(self, response):
# 省略
yield scrapy.Request(url=self.host + url, callback=self.parse_product, cb_kwargs={'cate': category})
pass
def parse_product(self, response, cate):
# 省略
item['category'] = cate
图片下载（未完待续）
使用中间件 ImagesPipeline
相关资源官方文档：点击跳转
