python入门爬虫 60行代码抓取amazon中国站

这次用requests+pyquery教大家写amazon.cn爬虫！欢迎各位跟我一起交流，学习。

- 废话不说，直接上源码，（兄弟，你又飘了！）

import requests
from pyquery import PyQuery as pq 
import time
import pymysql
import datetime

headers = {
	
	'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8`',
	'Accept-Encoding':'gzip, deflate, br',
	'Accept-Language':'zh-CN,zh;q=0.9,en;q=0.8',
	'Cache-Control':'max-age=0',
	'Cookie':'x-wl-uid=1C5tB2vN8c7lavnzfYDgHUImOM4TnKW4RDPJRHqltEo/CzfweQDRpdn8vABF8x1AJGiV5fs7nxxs=; session-id=458-1818727-1656342; ubid-acbcn=460-9298287-9372958; session-token="qLgiMsjH5EkTiN1gyNgsmUtrW2cKLf2Y9N6fpJoYpV6d1nqVt6vvuukTz02ezeMaWJfwZGeXxoPVwGjydlOwEX1ENh0A1ZebwcEN9T69+WYA/1cV4OHxfvOPrxjIVFhMgaZqLjkHt4KZ+sGOP4gT7bAt14UlSx9tq1pyNX/8JDmQ8ouZKTL0KYAqzVA+tLgHJqlJYLNt+ovqT7ad6WamIA=="; session-id-time=2082729601l; csm-hit=tb:4DGRV0CH4S37H6HK0TQ5+s-5882EJ35HSPBDQRTWVYS|1547819207778&adb:adblk_no&t:1547818974223',
	'Connection':'keep-alive',	
	'Host':'www.amazon.cn',
	'Referer':'https://www.amazon.cn/',
	'Upgrade-Insecure-Requests':'1',
	'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'

}


def Get_food_url(page):
	for x in range(21):
		page = page + 1

		if page <=20:
			time.sleep(5)
			url = 'https://www.amazon.cn/s/ref=sr_pg_'+str(page)+'?rh=i%3Aaps%2Ck%3A%E9%9B%B6%E9%A3%9F&page='+str(page)+'&keywords=%E9%9B%B6%E9%A3%9F&ie=UTF8'
			response = requests.get(url,headers=headers)
			print('....正在請求網頁....')
			time.sleep(2)
			doc = pq(response.text)
			print('....正在解析網頁....')
			time.sleep(2)
			data_food = doc('.s-item-container').items()
			print('正在抓取第:'+str(page)+'頁信息')
			time.sleep(1)
			for i in data_food:
				
				print('-'*80)
				title = i.find('.s-access-title').text()
				food_urls = i.find('.a-link-normal').attr('href')
				time_now = str(datetime.datetime.now().strftime('%Y-%m-%d %H:%M'))
				print('名称:'+title)
				print('零食鏈接:'+food_urls)
				print('當前時間:'+time_now)
				time.sleep(1)
				#提前導入pymysql，然後開啓數據庫把抓取的數據，寫入數據庫保存
				db =pymysql.connect(host='localhost',user='root',password='root',port=3306,db='amazon')
				cursor = db.cursor()
				sql = "insert into food_url(title,url,time) values(%s,%s,%s)"
				params = (title,food_urls,time_now)
				cursor.execute(sql,params)
				db.commit()
				db.close()
			
			print('....數據保存完成-正在跳轉到下一頁....')
		

Get_food_url(0)

我們首先捋一下思路，請求頭別忘記寫了，不然請求可能不成功。
1. 我們抓取的不是單頁的，so！我們分析一下每一頁的url

	1.https://www.amazon.cn/s/ref=nb_sb_noss_1?__mk_zh_CN=%E4%BA%9A%E9%A9%AC%E9%80%8A%E7%BD%91%E7%AB%99&url=search-alias%3Daps&field-keywords=%E9%9B%B6%E9%A3%9F
	2.https://www.amazon.cn/s/ref=sr_pg_1?rh=i%3Aaps%2Ck%3A%E9%9B%B6%E9%A3%9F&page=1&keywords=%E9%9B%B6%E9%A3%9F&ie=UTF8&qid=1547819011
	3.https://www.amazon.cn/s/ref=sr_pg_2?rh=i%3Aaps%2Ck%3A%E9%9B%B6%E9%A3%9F&page=2&keywords=%E9%9B%B6%E9%A3%9F&ie=UTF8&qid=1547818975
	4.https://www.amazon.cn/s/ref=sr_pg_3?rh=i%3Aaps%2Ck%3A%E9%9B%B6%E9%A3%9F&page=3&keywords=%E9%9B%B6%E9%A3%9F&ie=UTF8&qid=1547819011

對比一下可以發現每一條url都是有規律的，我們來構造url的時候後綴的qid可以忽略，也就是不帶qid這個參數，同樣也能請求到的，我直接上構造后的代碼

url = 'https://www.amazon.cn/s/ref=sr_pg_'+str(page)+'?rh=i%3Aaps%2Ck%3A%E9%9B%B6%E9%A3%9F&page='+str(page)+'&keywords=%E9%9B%B6%E9%A3%9F&ie=UTF8'

url寫的沒那麽人性化，見諒！這裏我直接傳入“page”寫個for循環就可以了
我們這裏抓取零食為例子，顯示的20頁

2. url分析完畢，現在我們來寫請求頭以及網頁分析！

發現商品的信息全在這個li標簽下面，并且都是在li標簽裏面同一個class

所以這裏我們直接便利這個class=“s-item-container”就行了，上圖

這次我們只抓取商品的名稱，url，後續我會繼續放出抓取每個商品的詳情。這次我們還是用pyquery來解析獲取到的response
我直接上圖了

我們只要抓取title以及url
上代碼

title = i.find('.s-access-title').text()
food_urls = i.find('.a-link-normal').attr('href')
time_now = str(datetime.datetime.now().strftime('%Y-%m-%d %H:%M'))

我這裏因爲是存入數據庫的 所以我還添加了一個插入的時間，
獲取屬性的使用到“attr()”方法，然後我當時建表的時間，把時間的字段類型改成了str類型，所以我這裏用str()將時間轉為字符串

3. 分析完成，接下來我們要把提取的數據存入數據庫中，因爲比較簡單我就不贅述了，直接上圖

最後就成功提取信息啦------------呐！


最後説一下，建立status這個字段，會用到下一篇的爬蟲上，例如讀取數據庫時，讀取一條就把狀態改成1，這樣就有個限制。
當然還有更多的方法，個人喜好！