python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)

                                                利用splash爬取京东商品信息

一、环境

  • window7
  • python3.5
  • pycharm
  • scrapy
  • scrapy-splash
  • MySQL

二、简介

    为了体验scrapy-splash 的动态网页渲染效果,特地编写了利用splash爬取京东商品信息的爬虫,当然站在爬取效率和稳定性方面来说,动态网页爬取首先应该考虑的还是动态页面逆向分析。

三、环境搭建

    这里只介绍splash在window7上的搭建 方法
    Splash是一个利用webkit或者基于webkit库 Javascript渲染服务。它是一个实现了HTTP API的轻量级浏览器,Splash是用Python实现的,同时使用Twisted和QT。官方文档解释是必须使用Docker容器!之所以用容器技术,好处是你可以一坨的安装好splash,而不必一点一点的去为安装splash填坑。

    在网上的教程中,大多数是建议利用linux来安装docker,原因如下图:

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第1张图片

    docker使用go语言开发,并且运行在linux系统下,而如果想用window运行,只能在window基础上先运行一个linux虚拟机,然后再在这个linux虚拟机下运行docker。
  由于我使用的是window7系统,只能到官网(https://docs.docker.com/toolbox/toolbox_install_windows/)下载DockerToolbox,下载完成后,双击安装(安装过程自行百度);
    安装完成后会有三个快捷键:
    点击启动Docker Quickstart Terminal

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第2张图片


    输入安装splash的命令:$docker pull scrapinghub/splash

    运行命令:$docker run -p 8050:8050 -p 5023:5023 scrapinghub/splash  ,开启8050连接端口和5023监控端口或者只开启8050端口。

    最后在scrapy项目中安装scrapy-splash组件,在settings.py中添加

#用来支持cache_args(可选),splash设置
SPIDER_MIDDLEWARES = {
   #'e_commerce.middlewares.ECommerceSpiderMiddleware': 543,
    'scrapy_splash.SplashDeduplicateArgsMiddleware' : 100 ,
}
DOWNLOADER_MIDDLEWARES = {
   #'e_commerce.middlewares.ECommerceDownloaderMiddleware': 543,
    'scrapy_splash.SplashCookiesMiddleware' : 723 ,
    'scrapy_splash.SplashMiddleware' : 725 ,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware' : 810 ,
}
#设置去重过滤器
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'

HTTPCACHE_STORAGE = 'scrapy_splash.SplashAwareFSCacheStorage'
SPLASH_URL = 'http://192.168.99.100:8050'

    环境配置完成。


四、京东网页分析与爬虫编程实现

    此次主要爬取京东商品的以下参数:

    product:商品名

    product_url : 商品链接

    initial_price : 原价

    price : 实际价格

    shop : 店家

    tags : 优惠活动

    comment_nums : 累计评论数

    summary_order : 京东排名

    praise : 好评度

    爬取京东商品信息首先得有商品信息入口,以商品书籍python(关键字)为例,

url:https://search.jd.com/Search?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page=159&s=4732&click=0
简化为:https://search.jd.com/Search?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page=1

    查看多页发现url里的几个重要关键字:

    keyword:搜索关键字

    wq:搜索关键字

    page:页数(呈奇数递增)

    故可以构建请求url:

https://search.jd.com/Search?keyword={1}&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq={1}&page={0}

    分析网页源码发现各商品信息:

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第3张图片

    通过css或XPath很容易就可以提取出商品信息,不过发现这里并没有我们想要的所有信息,故还得找出每个商品的url。

    这里存在的一个问题是京东一页的商品是分批显示的,通过F12分析网络里的XHR就会发现,新加载的商品是通过向服务器发送请求url:

https://search.jd.com/s_new.php?keyword=python&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=python&page=160&s=4762&scrolling=y&log_id=1530076904.20294&tpl=2_M&show_items=28950919364,12082834672,28883808237,29290652302,29291203091,27895583715,29089172884,28884416666,28938172051,28938903145,26066239470,29090468719,29094523735,28949599627,29291004039,28041915738,26232273814,26400554950,28494562293,29361448498,26291836439,19942582293,15348519021,19580125836,29251686387,27859110321,27880583607,29185119165,28738281855,29184203799

    重要关键字page是在原来的基础上加1,直接对该url进行模拟浏览器请求应该是会简便很多,但现在我们不讨论这种逆向分析方法,我们这里采用的是splash中的execute 端点对动态网页进行渲染,就是执行一条javascript语句模拟浏览器跳转到页面下方位置,从而达到完全加载商品的目的。

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第4张图片

    请求方法:


    商品的url可以在这里提取到:


    构造每个商品url请求:https:// + url,当对该url进行请求时发现商品的价格、优惠信息、图书排名等需要的信息都没有提取出,分析发现需要进行动态渲染才能得到,所以我们这里采用splash的render.html端点对该url网页进行渲染,请求方法:

    此时再去提取相应的信息,提取成功。

    但最后还是有一项参数没能成功提取,那就是好评率,躲在这里:

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第5张图片


    在浏览器中需要点击【商品评价】才能看到,分析网页源码发现该信息也是在点击【商品评价】后向服务器发送请求


    请求url:

https://sclub.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv1516&productId=12186192&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1
可简化为:https://sclub.jd.com/comment/productPageComments.action?&productId=12186192&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1
构造请求url:https://sclub.jd.com/comment/productPageComments.action?&productId={0}&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1 

    只要传入product_id便可以通过该url请求获得需要的好评度

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第6张图片

    当然也可以继续提取商品的评论或者是评论情况,这里我觉得好评度已经能说明该商品的好坏了,当然还得结合评论数来做出判断。

关键代码:

    def crawl_commentInfo(self , response):
        total_product_info = response.css('.gl-item')
        for product_info in total_product_info:
            product_url = 'https:' + product_info.css('.gl-i-wrap .p-img a::attr(href)').extract_first()
            #comment_info crawl firstly
            headers = self.headers.copy()
            headers.update({
                'Referer' : 'https://item.jd.com/12330816.html' ,
                'Host': 'sclub.jd.com',
            })
            match_obj = re.match('.*/(\d+).html', product_url)
            if match_obj:
                product_id = match_obj.group(1)
                yield scrapy.Request(self.start_urls[1].format(product_id) , headers = headers ,
                                     meta= {'product_url' : product_url} , callback= self.parse_product)
                print('Now crawl commentInfo url is' , self.start_urls[1].format(product_id))
            # break

        match_obj = re.match('.*page=(\d+)$', response.url)
        if match_obj:
            page_num = int(match_obj.group(1)) + 2
        else:
            page_num = 3

        if '下一页' in response.text:
            yield SplashRequest(self.start_urls[0].format(page_num, 'python'), endpoint='execute',
                                callback=self.crawl_commentInfo , splash_headers= self.headers ,
                                args={'lua_source': self.lua_script, 'image' : 0 , 'wait': 1}, cache_args=['lua_source'])
            print('Now page_url is :', self.start_urls[0].format(page_num, 'python'))
    def parse_product(self, response):
        product_url = response.meta.get('product_url')
        praise = 0
        praise_match = re.match('.*"goodRateShow":(\d+),.*' , response.text)
        if praise_match:
            praise = praise_match.group(1)
        headers = self.headers.copy()
        headers.update({
            'Upgrade-Insecure-Requests': 1,
            'Host' : 'item.jd.com' ,

        })
        yield SplashRequest(product_url, endpoint='render.html', splash_headers = headers,
                             args={'image' : 0, 'timeout' : 15 , 'wait' : 1 } , meta={'praise' : praise}
                          )
        print('Now request url is:', product_url)

爬取结果:

python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等)_第7张图片

爬取了京东关键字“python”的全部商品信息,一共五千多条,也可以切换其他关键字爬取任何商品,我们可以通过评论数comment_nums分析每个商品的销量情况(因为销量数量和评论数量是相对应的),也可以通过排名summary_order分析出商品的销量情况,通过praise好评度分析出商品的好坏。




你可能感兴趣的:(python 爬虫实战项目--爬取京东商品信息(价格、优惠、排名、好评率等))