实时焦点:爬虫项目:实现京东全网爬虫
一、需求
1.1 抓取首页的分类信息
抓取数据: 各级分类的名称 和 URL1.2 抓取商品信息
抓取: 商品名称, 商品价格, 商品评论数量, 商品店铺, 商品促销, 商品选项, 商品图片的URL二、开发环境
平台: Mac,可以运行Window和Linux上开发语言: Python3开发工具: PyCharm技术选择:由于全网爬虫, 抓取页面非常多, 为了提高抓的速度, 选择使用scrapy框架 + scrapy_redis分布式组件由于京东全网的数据量达到了亿级, 存储又是结构化数据, 数据库, 选择使用MongoDB;三、京东全网爬虫的实现步骤
我们采用广度优先策略, 我们把类别和商品信息的抓取分开来做.
好处: 可以提高程序的稳定性3.1 总体设计
3.2 实现步骤:
1. 创建爬虫项目2. 根据需求, 定义数据数据模型3. 实现分类爬虫4. 保存分类信息5. 实现商品爬虫6. 保存商品信息7. 实现随机User-Agent和代理IP下载器中间件, 解决IP反爬.
3.3 创建爬虫项目
scrapy startproject mall_spider四、明确要抓取的数据(定义数据模型)
爬虫数据模型, 我们只能根据需求, 定义一个大概, 随着对项目实现可能会对数据模型做相应的修改.
4.1 类别数据模型
类别数据模型类: 用于存储类别信息(Category) - 字段:b_category_name: 大类别名称b_category_url: 大类别URLm_category_name: 中分类名称m_category_url: 中分类URLs_category_name: 小分类名称s_category_url: 小分类URL代码class Category(scrapy.Item): """商品类别""" # 大分类名称 b_category_name = scrapy.Field() # 大分类URL b_category_url = scrapy.Field() # 中分类名称 m_category_name = scrapy.Field() # 中分类URL m_category_url = scrapy.Field() # 小分类名称 s_category_name = scrapy.Field() # 小分类URL s_category_url = scrapy.Field()
4.2 商品数据模型
商品数据模型类: 用于存储商品信息(Product)字段:product_category: 商品类别product_sku_id: 商品IDproduct_name: 商品名称product_img_url: 商品图片URLproduct_book_info: 图书信息, 作者,出版社product_option: 商品选项product_shop: 商品店铺product_comments: 商品评论数量product_ad: 商品促销product_price: 商品价格代码class Product(scrapy.Item): # 商品类别 product_category = scrapy.Field() # 商品ID product_sku_id = scrapy.Field() # 商品名称 product_name = scrapy.Field() # 商品图片URL product_img_url = scrapy.Field() # 商品店铺 product_shop = scrapy.Field() # 图书信息, 作者,出版社 product_book_info = scrapy.Field() # 商品选项 product_option = scrapy.Field() # 商品评论数量 product_comments = scrapy.Field() # 商品促销 product_ad = scrapy.Field() # 商品价格 product_price = scrapy.Field()
五、商品分类查询
5.1 分析, 分类信息的URL
目标: 确定分类信息的URL步骤:进入到京东首页右键检查, 打开开发者工具, 搜索 家用电器确定分类的URL图解:结论: - 分类URL: https://dc.3.cn/category/get5.2 创建爬虫, 抓取数据
目标: 抓取分类数据, 交给引擎步骤:创建类别爬虫指定起始URL解析数据, 交给引擎5.2.1 创建爬虫
(相关资料图)
进入项目目录: cd mall_spider创建爬虫: scrapy genspider category_spider jd.com5.2.2. 指定起始URL
修改起始URL: https://dc.3.cn/category/get5.2.3. 解析数据, 交给引擎
分析数据格式:整体数据各级分类位置分类信息格式格式1:jiadian.jd.com|家用电器||0特点: 第一项分类URL,第二项分类名称格式2:`652-654|摄影摄像||0对应的URL: https://channel.jd.com/652-654.html特点:第一项是频道ID, 包含一个 -格式3:1318-2628-12131|户外风衣||0对应URL: https://list.jd.com/list.html?cat=1318,2628,12131特点: 第一项为分类ID, 包含两个 -代码实现# -*- coding: utf-8 -*-import scrapyimport jsonfrom mall_spider.items import Categoryclass JdCategorySpider(scrapy.Spider): name = "jd_category" allowed_domains = ["dc.3.cn"] start_urls = ["https://dc.3.cn/category/get"] # 频道URL模板 channel_url_pattern = "https://channel.jd.com/{}.html" # 列表URL模板 list_url_pattern = "https://list.jd.com/list.html?cat={}" def parse(self, response): # 把传递过来的信息GBK进行解码, 因为京东的类别信息, 是使用GBK, 编码的 categorys = json.loads(response.body.decode("GBK")) # 取出"data" 键中分类列表 categorys = categorys["data"] # 遍历分类列表 for category in categorys: item = Category() # 获取大分类,包含子分类; 注: 第一层的分类都在在0索引上; b_category = category["s"][0] # 获取大分类信息(分类URL,名称) b_category_info = b_category["n"] # 解析大分类信息, 获取大分类名称和URL item["b_category_name"], item["b_category_url"] = self.get_category_item(b_category_info) # 获取中分类列表 m_category_s = b_category["s"] # 遍历第二层分类列表 for m_category in m_category_s: # 获取中分类信息 m_category_info = m_category["n"] item["m_category_name"], item["m_category_url"] = self.get_category_item(m_category_info) # 获取小分类列表 s_category_s = m_category["s"] # 遍历小分类分类列表 for s_category in s_category_s: # 获取第三层分类名称 s_category_info = s_category["n"] # 获取三级分类信息 item["s_category_name"], item["s_category_url"] = self.get_category_item(s_category_info) # print(item["s_category_name"]) # 把分类信息交给引擎 yield item def get_category_item(self, category_info): # 使用 `|` 分割类型信息字符串 categorys = category_info.split("|") # 类别的名称 category_name = categorys[1] # 类别的URL category_url = categorys[0] # 获取 category_url 中 `-` 个数 count = category_url.count("-") if category_url.count("jd.com") != 0: # 其他就是本身就是URL, 前面补一个协议头 category_url = "https://" + category_url elif count == 1: # 如果包含一个 "-" 是二级分类的频道 category_url = self.channel_url_pattern.format(category_url) else: # 如果包含2个 "-" 是三级分类的列表 # 1. 把 `-` 替换为 "," category_url = category_url.replace("-", ",") # 2. 生成具体列表的URL category_url = self.list_url_pattern.format(category_url) return category_name, category_url
六、保存分类数据
6.1 实现保存分类的Pipeline类
步骤:open_spider方法中, 链接MongoDB数据库, 获取要操作的集合process_item方法中, 向MongoDB中插入类别数据close_spider方法中, 关闭MongoDB的链接代码from mall_spider.spiders.jd_category import JdCategorySpiderfrom pymongo import MongoClientclass CategoryPipeline(object): def open_spider(self, spider): if isinstance(spider, JdCategorySpider): # 建立MongoDB数据库链接 self.client = MongoClient(MONGO_URL) # 获取要操作集合 self.category = self.client["jd"]["category"] def process_item(self, item, spider): if isinstance(spider, JdCategorySpider): # 把数据插入到mongo中 self.category.insert_one(dict(item)) return item def close_spider(self, spider): """关闭""" if isinstance(spider, JdCategorySpider): self.client.close()
6.2 在settings.py开启, 类别的Pipeline
# 在settings.py开启, 类别的PipelineITEM_PIPELINES = { "mall_spider.pipelines.CategoryPipeline": 300,}
七、实现商品爬虫
总体设计:把MongoDB中存储的分类信息, 放到redis_key指定列表中支持分布式爬虫, 当然也可以在一台电脑上运行多次, 以启动多个进程,充分使用CPU的多核.所以这里的爬虫, 先从一个分类开始抓就可以了, 后面再改造为分布式7.1 分析, 确定数据所在的URL
列表页提取商品 skuid实现翻页获取下一页URL没有下一页的情况详情页 由于PC和手机页面商品信息, 在js中, 且比较分散, 并且每次请求数量页比较大, 我们这里使用手机抓包, 抓到json数据.商品基本信息图:URL: https://cdnware.m.jd.com/c1/skuDetail/apple/7.3.0/32426231880.json; 最后一部分是商品skuid可以获取到的信息: 商品名称, 商品店铺信息 , 商品类别id, 商品品牌id, 商品选项{"code": "0","wareInfo": { "recommendInfo": { "recommendList": null }, // 商品店铺信息 "shopInfo": { "shop": { "shopId": 1000000127, "name": "京东Apple产品专营店", ... }, "basicInfo": { "gift": false, "bookInfo": { // 如果是书,这里是书的选项信息 "display": false }, "colorSizeInfo": { // 商品选项信息列表 有的没有 "colorSize": [{ "buttons": [{ "no": "1", "skuList": ["100000177738", "100000287117", "100000287145", "100000309448", "100000309450", "100000375233", "100000435832", "100000458753", "100000458755", "100001860767", "100001860773"], "text": "金色" }, { "no": "2", "skuList": ["100000177764", "100000287113", "100000287135", "100000435780", "100000435816", "100000435818", "100000569049", "100000602206", "100000602208", "100001860765", "100002539302"], "text": "深空灰色" }, { "no": "3", "skuList": ["100000177740", "100000177784", "100000287147", "100000435834", "100000458737", "100000458739", "100000602174", "100000602176", "100000602204", "100001860789", "100002539304"], "text": "银色" }], "title": "颜色" }, { "buttons": [{ "no": "1", "skuList": ["100000177738", "100000177740", "100000177764", "100000177784", "100000287113", "100000287117", "100000287135", "100000287145", "100000287147"], "text": "公开版" }, ... ], "title": "版本" }, { "buttons": [{ "no": "1", "skuList": ["100000177764", "100000287145", "100000287147", "100000375233", "100000435818", "100000458739", "100000458755", "100000602204", "100000602208", "100001860765", "100001860773", "100001860789"], "text": "64GB" }, ... ], "title": "内存" }], "colorSizeTips": "#与其他已选项无法组成可售商品,请重选" }, ... // 品牌ID "brandID": "14026", ... // 商品图片 "wareImage": [{ "small": "https://m.360buyimg.com/mobilecms/s720x720_jfs/t1/3/15/4536/138660/5b997bf8Ed72ebce7/819dcf182d743897.jpg!q70.jpg.webp", ... } ... ], ... // 商品名称 "name": "Apple iPhone XS Max (A2104) 256GB 深空灰色 移动联通电信4G手机 双卡双待", // 商品类别id "category": "9987;653;655" } }}
{...// 商品促销信息"ads": [{ "id": "AD_4749506", "ad": "【即刻预约,21号秒杀到手价2999】\n1、前100名晒单送腾讯企鹅影院季卡,联系客服领取!!\n2、曲面爆款,5.5万好评推荐!<a target=\"_blank\" href=\"https://item.jd.com/7055876.html\">升级55Q1D超清全面屏电视</a>"}],...}
商品评论信息(PC端)
图:URL: https://club.jd.com/comment/productCommentSummaries.action?referenceIds=4749506参数referenceIds=4749506: 商品sku_id数据{"CommentsCount":[ { "CommentCountStr":"10万+", "CommentCount":100000, //评论数量 "AverageScore":5, "GoodRate":0.98, //好评率 "PoorCountStr":"600+", "PoorCount":600, // 差评数量 ... }]}
商品价格信息:图:URL: https://p.3.cn/prices/mgets?skuIds=J_4749506参数:skuIds=J_4749506 商品的sku_id数据[ { "op": "5499.00", "m": "5999.00", "id": "J_4749506", //商品skuid "p": "3299.00" // 商品价格 } ]
7.2 代码实现
步骤:重写start_requests方法, 根据分类信息构建列表页的请求解析列表页, 提取商品的skuid, 构建商品基本的信息请求; 实现翻页解析商品基本信息, 构建商品促销信息的请求解析促销信息,构建商品评价信息的请求,解析商品评价信息, 构建价格信息的请求解析价格信息代码:# -*- coding: utf-8 -*-import scrapyimport jsonfrom jsonpath import jsonpathclass JdProductSpider(scrapy.Spider): name = "jd_product" allowed_domains = ["jd.com", "p.3.cn"] def start_requests(self): category = { "b_category_name" : "家用电器", "b_category_url" : "https://jiadian.jd.com", "m_category_name" : "洗衣机", "m_category_url" : "https://list.jd.com/list.html?cat=737,794,880", "s_category_name" : "洗衣机配件", "s_category_url" : "https://list.jd.com/list.html?cat=737,794,877" } yield scrapy.Request(category["s_category_url"], self.parse, meta={"category": category}) def parse(self, response): # 获取类别信息 category = response.meta["category"] # 获取类别的URL category_url = response.url.split("&")[0] # 获取所有商品的sku_ids sku_ids = response.xpath("//div[contains(@class, "j-sku-item")]/@data-sku").extract() # 遍历sku_ids, 构建基本详情信息的请求 for sku_id in sku_ids: item = { "product_category": category, "product_sku_id":sku_id } product_url = "https://cdnware.m.jd.com/c1/skuDetail/apple/7.3.0/{}.json".format(sku_id) yield scrapy.Request(product_url, callback=self.parse_product, meta={"item": item}) # 获取下一页的URL next_url = response.xpath("//a[@class="pn-next"]/@href").extract_first() if next_url: # 补全URL next_url = response.urljoin(next_url) # 构建下一页请求 yield scrapy.Request(next_url, callback=self.parse, meta={"category": category}) def parse_product(self, response): # 取出传递过来的数据 item = response.meta["item"] # 把响应数据数据转为字典 product_dic = json.loads(response.text) # 获取商品名称 item["product_name"] = product_dic["wareInfo"]["basicInfo"]["name"] if item["product_name"]: # 获取类别id, 把 `;` 替换为 , item["product_category_id"] = product_dic["wareInfo"]["basicInfo"]["category"].replace(";", ",") # 获取店铺信息 product_shop = jsonpath(product_dic, "$..shop") if product_shop: product_shop = product_shop[0] if product_shop is None: item["product_shop"] = {"name":"京东自营"} else: item["product_shop"] = { "shopId": product_shop["shopId"], "name": product_shop["name"], "score": product_shop["score"], "url": product_shop["url"], } # 如果是书, 记录书的信息 if product_dic["wareInfo"]["basicInfo"]["bookInfo"]["display"]: item["product_book_info"] = product_dic["wareInfo"]["basicInfo"]["bookInfo"] # 删除display del item["book_info"]["display"] # 获取商品选购信息 color_sizes = jsonpath(product_dic, "$..colorSize") product_option = {} if color_sizes: for color_size in color_sizes[0]: title = color_size["title"] texts = jsonpath(color_size, "$..text") product_option.update({title:texts}) # print(product_option) item["product_option"] = product_option # 商品图片 item["product_img_url"] = jsonpath(product_dic, "$..wareImage[0].small")[0] # 构建促销信息的请求 ad_url = "https://cd.jd.com/promotion/v2?skuId={}&area=1_72_4137_0&cat={}".format(item["product_sku_id"], item["product_category_id"]) yield scrapy.Request(ad_url, callback=self.parse_ad, meta={"item": item}) def parse_ad(self, response): """获取商品促销""" item = response.meta["item"] ad_dic = json.loads(response.body.decode("GB18030")) ad = ad_dic["ads"][0]["ad"] item["product_ad"] = ad # for key, value in item.items(): # print("{} = {}".format(key, value)) # 构建平均信息请求 comments_url = "https://club.jd.com/comment/productCommentSummaries.action?referenceIds={}".format(item["product_sku_id"]) yield scrapy.Request(comments_url, callback=self.parse_comments, meta={"item": item}) def parse_comments(self, response): """解析商品评论信息""" item = response.meta["item"] comments_dic = json.loads(response.text) comments = { "comment_count": jsonpath(comments_dic, "$..CommentCount")[0], "good_rate": jsonpath(comments_dic, "$..GoodRate")[0], "poor_count": jsonpath(comments_dic, "$..PoorCount")[0], } item["product_comments"] = comments # print(item) # 构建价格请求 price_url = "https://p.3.cn/prices/mgets?skuIds=J_{}".format(item["product_sku_id"]) yield scrapy.Request(price_url, callback=self.parse_price, meta={"item": item}) def parse_price(self, response): """解析价格""" item = response.meta["item"] item["product_price"] = json.loads(response.text)[0]["p"] # print(item) yield item
7.3 商品爬虫实现分布式
步骤:修改爬虫类在settings文件中配置scrapy_redis写一个程序用于把MongoDB中分类信息, 放入到爬虫redis_key指定的列表中1. 修改爬虫类
步骤:修改继承关系: 继承RedisSpider指定redis_key把重写start_requests 改为 重写 make_request_from_data代码from scrapy_redis.spiders import RedisSpiderimport pickle# 1. 修改继承关系: 继承RedisSpiderclass JdProductSpider(RedisSpider): name = "jd_product" allowed_domains = ["jd.com", "p.3.cn"] # 2. 指定redis_key redis_key = "jd_product:start_category" # 3. 把重写start_requests 改为 重写 make_request_from_data def make_request_from_data(self, data): # 把从Redis中读取到分类信息, 转换为字典 category = pickle.loads(data) return scrapy.Request(category["s_category_url"], self.parse, meta={"category": category})
注意: 在make_request_from_data不能使用 yield必须使用 return2. 在settings文件中配置scrapy_redis
# MongoDB数据库的URLMONGO_URL = "mongodb://127.0.0.1:27017"# REDIS数据链接REDIS_URL = " redis://127.0.0.1:6379/0"# 去重容器类: 用于把已爬指纹存储到基于Redis的set集合中DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"# 调度器: 用于把待爬请求存储到基于Redis的队列SCHEDULER = "scrapy_redis.scheduler.Scheduler"# 是不进行调度持久化:# 如果是True, 当程序结束的时候, 会保留Redis中已爬指纹和待爬的请求# 如果是False, 当程序结束的时候, 会清空Redis中已爬指纹和待爬的请求SCHEDULER_PERSIST = True
3. 写一个程序用于把MongoDB中分类信息, 放入到爬虫redis_key指定的列表中
步骤:在项目文件夹下创建 add_category_to_redis.py实现方法 add_category_to_redis:
链接MongoDB链接Redis读取MongoDB中分类信息, 序列化后, 添加到商品爬虫redis_key指定的list关闭MongoDB在if __name__ == "__main__":中调用add_category_to_redis方法代码
from redis import StrictRedisfrom pymongo import MongoClientimport picklefrom mall_spider.settings import MONGO_URL, REDIS_URLfrom mall_spider.spiders.jd_product import JdProductSpider# 把MongoDB中分类信息, 添加到Redis中def add_category_to_redis(): # 链接MongoDB client = MongoClient(MONGO_URL) # 链接Redis redis = StrictRedis.from_url(REDIS_URL) cursor = client["jd"]["category"].find() # 读取MongoDB中分类信息, 序列化后, 添加到商品爬虫redis_key指定的list for category in cursor: redis.rpush(JdProductSpider.redis_key, pickle.dumps(category)) # 关闭MongoDB的链接 client.close()if __name__ == "__main__": add_category_to_redis()
八、保存商品信息
8.1 实现存储商品Pipeline类
步骤在 open_spider方法, 建立MongoDB数据库连接, 获取要操作的集合在 process_item方法, 把数据插入到MongoDB中在close_spider方法, 关闭数据库连接代码class ProductPipeline(object): def open_spider(self, spider): if isinstance(spider, JdProductSpider): # 建立MongoDB数据库链接 self.client = MongoClient(MONGO_URL) # 获取要操作集合 self.category = self.client["jd"]["product"] def process_item(self, item, spider): if isinstance(spider, JdProductSpider): # 把数据插入到mongo中 self.category.insert_one(dict(item)) return item def close_spider(self, spider): """关闭""" if isinstance(spider, JdProductSpider): self.client.close()
8.2 在settings.py中开启这个管道
ITEM_PIPELINES = { "mall_spider.pipelines.CategoryPipeline": 300, # 开启商品管道 "mall_spider.pipelines.ProductPipeline": 301,}
九、实现下载器中间件
为了避免IP反爬, 我们实现随机User-Agent和代理IP的中间件
步骤:实现随机User-Agent的中间件实现代理IP中间件在settings.py 文件开启, 下载器中间件9.1 实现随机User-Agent的中间件
步骤准备User-Agent列表在middlewares.py中, 实现RandomUserAgent类实现process_request方法如果是请求是 https://cdnware.m.jd.com开头的, 就是设置一个iPhone的user-agent否则从User-Agent列表中随机取出一个代码import requestsimport random# 准备请求头USER_AGENTS = [ "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)", "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)", "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)", "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5", "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20", "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1", "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre", "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11", "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"]class RandomUserAgent(object): def process_request(self, request, spider): if request.url.startswith("https://cdnware.m.jd.com"): # 如果使用手机抓包, 获取到商品信息; 生成请求请求头 request.headers["user-agent"] = "JD4iPhone/164880 (iPhone; iOS 12.1.2; Scale/2.00)" else: # 随机获取一个请求头, 进行设置 request.headers["user-agent"] = random.choice(USER_AGENTS)
9.2 实现代理IP中间件
步骤:在middlewares.py中, 实现ProxyMiddleware类实现process_request方法从代理池中获取一个随机的代理IP, 需指定代理IP的协议, 和访问的域名设置给request.meta["proxy"]实现process_exception方法当请求出现异常的时候, 代理池哪些代理IP在本域名下是不可以用的代码"""9.2. 实现代理IP中间件步骤: 在middlewares.py中, 实现ProxyMiddleware类 实现process_request方法 从代理池中获取一个随机的代理IP 设置给request.meta["proxy"]"""from twisted.internet import deferfrom twisted.internet.error import TimeoutError, DNSLookupError, \ ConnectionRefusedError, ConnectionDone, ConnectError, \ ConnectionLost, TCPTimedOutErrorfrom twisted.web.client import ResponseFailedfrom scrapy.core.downloader.handlers.http11 import TunnelErrorclass ProxyMiddleware(object): EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError, ConnectionRefusedError, ConnectionDone, ConnectError, ConnectionLost, TCPTimedOutError, ResponseFailed, IOError, TunnelError) def process_request(self, request, spider): """ 从代理池中获取一个随机的代理IP 设置给request.meta["proxy"] """ response = requests.get("http://localhost:6868/random?protocol=https&domain=jd.com") request.meta["proxy"] = response.content.decode() request.meta["dont_redirect"] = True return None def process_exception(self, request, exception, spider): if isinstance(exception, self.EXCEPTIONS_TO_RETRY): # 获取代理IP proxy = request.meta["proxy"] # 提取IP地址 ip = re.findall("https://(.+):\d+", proxy)[0] params = { "ip": ip, "domain": "jd.com" } requests.get("http://localhost:6868/disable_domain", params=params) # 构建请求返回 req = request.copy() req.dont_filter = True return req
9.3 在settings.py中开启上面的两个下载器中间件
# 配置下载器中间件 DOWNLOADER_MIDDLEWARES = { "mall_spider.middlewares.RandomUserAgent": 500, "mall_spider.middlewares.ProxyMiddl eware": 543, }
关键词: 网络爬虫 Scrapy 京东商城 Linux PyCharm
推荐阅读
运动型轿车是什么 运动型轿车与普通车有何区别?
运动型轿车凭借着外观酷炫,动力性能强的特点,深受国内众多消费者的喜爱。特别是在年轻消费者心目中,运动型轿车基本上是购车的首选。但是 【详细】
汽油清洗剂是什么 汽油清洗剂加在汽油里是干嘛的?
最近有很多车主反映加油的时候总是建议用汽油清洁剂。但是,大部分人还是不太了解,还有就是一部分人纳闷汽油清洗剂加在汽油里是干嘛的?汽 【详细】
中国最便宜的汽车是哪个 最便宜的汽车汇总
现在汽车已经成为了大家最常见的交通代步工具了。但是,依然还是有很多的家庭非常的需要代步工具,却买不起特别贵的汽车。所以今天,我们就 【详细】
伊莱克斯冰箱质量怎么样 伊莱克斯冰箱质量好不好?
伊莱克斯冰箱质量怎么样:在2018年全球500强企业中,伊莱克斯排名第162位,在2020年全球2000强企业中,伊莱克斯排名第1965位,可见伊莱克斯 【详细】
劳动保护用品是什么 劳动保护用品有哪些?
劳动保护用品有哪些?劳动防护用品分为特殊劳动防护用品和一般劳动防护用品,一般劳动防护用品是指未列入目录的一般劳动防护用品。以下产品 【详细】
相关新闻
- 动态:苹果在iOS 16.3 Beta 2中调整“SOS紧急联络”功能触发方式
- 离谱!小米员工吐槽Redmi新机支持双SIM卡+TF卡
- 环球热头条丨B站增发新股约4.1亿美元,用于回购可转债
- 环球热门:relax什么意思(“神经紧绷”英语怎么说?一个英语单词搞定,so easy)
- 世界快看点丨藕粉的作用(冬吃莲藕补中益气健脾胃)
- 中国人得过诺贝尔奖的是谁 中国人得过诺贝尔奖的有几人?
- 玛雅文明是什么 玛雅文明算一个高度发达的文明吗?
- 环球信息:如何在国内正常使用TikTok?
- 女闺蜜是什么意思(女生喜欢你的几大表现 你遇到过几个?)
- 快资讯丨shift键(Excel 中 Shift键的奇妙玩法,你知道几个?)
- 斐纳TOMEFON使用状况 斐纳TOMEFON吸尘器好不好用?
- 国产手机排名前十 国产手机排名前汇总
- 环球观点:至今还没有阳的人,他们天赋异禀,还是另有隐情?研究结果来了
- 新动态:iPhone 15 太炸了,标准版有大提升
- 全球即时看!vivo拒绝高价低配:骁龙870+144Hz屏,12GB+256GB跌至1769元
- 实现高并发秒杀的七种方式
- 全球看热讯:3D渲染引擎 HOOPS Visualize 2023全新发布-增加对顶点着色器支持
- 世界看热讯:「升级」Hubstudio多账号安全管理浏览器之扩展中心上线啦!
- 汽车早报 - 消息称蔚来布局百万元级别电动车 广汽称将继续为讴歌中国客户提供售后服务
- 今头条!车轮上的2022∣新能源与汽车出口带动:全国乘用车零售量同比增长1.9%