scrapy 爬取当当网-图书排行榜-多条件爬取

自学爬虫框架scrapy,爬取当当网-图书排行榜练手

  • 目标:爬取当当网-图书畅销榜中的图书数据,要求各种条件的数据都要有。


    dangdang.png
  • spider
# -*- coding: utf-8 -*-
import scrapy
from dd_book.items import DdBookItem
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

class DdbookSpider(scrapy.Spider):
    name = 'ddbook'
    start_urls = ['http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1']

    def __init__(self):
        self.driver = webdriver.PhantomJS()
        self.item = DdBookItem()

    def parse(self, response):
        '''
        该方法用于从start_urls定义的初始url中获取需要爬取的几个不同条件的url
        条件分为
            近24小时,近七日,近30日
            http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-24hours-0-0-1-1
            http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-1
            http://bang.dangdang.com/books/bestsellers/01.00.00.00.00.00-recent30-0-0-1-1
            今年1月,2月...本月
            往年:2015,2016,2017,2018
            条件不同,url不同,但是有规律
        每种条件的url不同
        '''
        self.driver.get(response.url)
        wait = WebDriverWait(self.driver,3)
        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.bang_list_date')))
        p_lis = response.css('.bang_list_date p')
        self.item = DdBookItem()
        # 分析页面,获取不同的条件url
        for p in p_lis:
            a_lis = p.css('span.date_list a')
            for x in a_lis:
                url = x.css('a::attr(href)').extract_first()
                arr = url.split('/')
                res = (arr[len(arr) - 1]).split('-')
                self.item['cate'] = res[1]      # 获取分类信息,存储时方便区分
                self.item['category'] = arr[4]  # #获取分类信息,存储时方便区分
                yield scrapy.Request(url, meta={'item':self.item},callback=self.parse_condition_page)

    def parse_condition_page(self, response):
        '''
        该方法用于从一个特定的条件分类中执行翻页操作
        例如:条件为近30日下有25页数据
        '''
        self.driver.get(response.url)
        wait = WebDriverWait(self.driver,3)
        wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.bang_list_box .bang_list li')))
        maxpage = int(response.xpath('//li[@class="next"]/preceding-sibling::li[1]/a/text()').extract_first())
        for i in range(1,maxpage+1):
            url = response.url[0:-1] + str(i)
            yield scrapy.Request(url, meta={'item':response.meta['item']}, callback=self.parse_book_infos)

    def parse_book_infos(self, response):
        '''
        该方法用于进入到每本图书的图书详情页
        '''
        lis = response.css('.bang_list_box ul.bang_list li')
        for li in lis:
            full_url = li.css('div.pic a::attr(href)').extract_first()
            yield scrapy.Request(full_url, meta={'item':response.meta['item']}, callback=self.get_bookinfos)

    def get_bookinfos(self, response):
        '''
        该方法用于解析页面,获取需要的信息
        '''
        item = response.meta['item']
        item['cate'] = item['cate']
        item['category'] = item['category']
        item['bookname'] = response.css('.sale_box_left h1::attr(title)').extract_first()
        item['author'] = response.css('.messbox_info span#author a:nth-of-type(1)::text').extract_first()
        item['publisher'] = response.css('.messbox_info span[ddt-area="003"] a::text').extract_first()
        publishtime = response.css('.messbox_info span[ddt-area="003"]+span.t1::text').extract_first()
        item['publishtime'] = publishtime.strip()[5:] if publishtime != None else ''
        price = response.css('#dd-price::text').extract()
        item['price'] = price[1].strip()
        transfer = response.css('.messbox_info span#author a:nth-of-type(2)::text').extract_first()
        item['transfer'] = transfer if transfer != None else ''
        yield item
  • settings
BOT_NAME = 'dd_book'

SPIDER_MODULES = ['dd_book.spiders']
NEWSPIDER_MODULE = 'dd_book.spiders'
AUTOTHROTTLE_START_DELAY = 3
AUTOTHROTTLE_ENABLED = True
MONGO_URI = 'localhost'
MONGO_DB = 'dangdangbook'

ITEM_PIPELINES = {
    'dd_book.pipelines.MongoPipeline' : 300
}
ROBOTSTXT_OBEY = False
  • Pipelines
# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import pymongo


class DdBookPipeline(object):
    def process_item(self, item, spider):
        return item

class MongoPipeline(object):
    def __init__(self,mongo_uri, mongo_db):
        self.mongo_uri = mongo_uri
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(
            mongo_uri = crawler.settings.get('MONGO_URI'),
            mongo_db = crawler.settings.get('MONGO_DB')
        )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri)
        self.db = self.client[self.mongo_db]

    def process_item(self,item, spider):
        name = 'dangdang_book'
        self.db[name].insert(dict(item))
        return item

    def close_spider(self, spider):
        self.client.close()
  • items
# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy
class DdBookItem(scrapy.Item):
    bookname = scrapy.Field()
    author = scrapy.Field()
    publisher = scrapy.Field()
    publishtime = scrapy.Field()
    rating_list = scrapy.Field()
    price = scrapy.Field()
    transfer = scrapy.Field()
    image = scrapy.Field()
    cate = scrapy.Field()
    category = scrapy.Field()
  • mongo数据


    1.png
2.png

问题:爬取过程中没有报错,但是部分数据丢失,按照条件算起来应该有5000+的数据,但是最后统计只有1590条数据被抓取到

3.png
  • 现在不知道原因到底是什么,比较懊恼,哪位看官可以帮忙解答一下?
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,905评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,140评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,791评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,483评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,476评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,516评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,905评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,560评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,778评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,557评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,635评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,338评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,925评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,898评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,142评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,818评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,347评论 2 342

推荐阅读更多精彩内容