scrapy爬虫－－苏宁图书

实现业务逻辑如下：

1. 创建scrapy项目，并生成　爬虫
2. 在suning.py中实现Schedul 和　Spider业务逻辑
3. 修改start_urls为正确的初始请求地址
4. 构造parse（self,response）函数（底部封装自动发送请求，）获取响应
5. 根据响应，使用xpath提取大分类和中间分类的list
6.　根据上述得到的list再遍历，使用xpath提取我们需要的内容字段，存入刚构建的空dict中
7.　如果要进入到下一个商品列表页面，则 yield 一个Requset对象，指明要进入的url,callback,以及把item通过meta传到列表页响应中。
8. 构建callback对应的商品列表页面数据提取函数 parse_book_list(self,response)，使用xpath提取我们需要的内容字段，使用yield response.yellow()构造请求，指明要进入的url（使用的是follow，所以可以是不完整的url）,callback,以及把item通过meta传到详情页响应中。
9.　构建callback对应的商品详情页面数据提取函数 parse_book_detail(self,response)，使用xpath提取我们需要的内容字段，字段提取完成后，就可以把item返回了，yield item。
10. 构建分类页中的后一部分图书列表数据请求，首先找到next_url,然后构造Request。
11. 上述最终yield 的item　通过在settings中设置spiderpiplelines，就会进入指定的spiderpiplelines中通过process_item（）进行进一步数据处理，比如清洗和保存。
12. 另外在Downloader Middlewares中还可以设置open_spider(),close_spider()，做相应处理。
# 注意点，scrapy框架底层实现了多线程，所以item传递时，为避免数据覆盖错位情况，需要使用deepcopy()传递下去。

下面直接上代码：

# suning.py
# -*- coding: utf-8 -*-
import scrapy
import re
from copy import deepcopy

class SuningSpider(scrapy.Spider):
    name = 'suning'
    allowed_domains = ['suning.com']
    start_urls = ['https://book.suning.com/']

    def parse(self, response):
        #获取大分类的分组
        div_list = response.xpath("//div[@class='menu-list']/div[@class='menu-item']")
        # 和大分类呼应的中间分类组
        div_sub_list = response.xpath("//div[@class='menu-list']/div[@class='menu-sub']")
        for div in div_list[:1]:
            item = {}
            #大分类的名字--eg:文学艺术
            item["b_cate"] = div.xpath(".//h3/a/text()").extract_first()
            #当前大分类的所有的中间分类的位置
            current_sub_div = div_sub_list[div_list.index(div)]
            #获取中间分类的分组--eg: 小说，青春文学
            p_list = current_sub_div.xpath(".//div[@class='submenu-left']/p[@class='submenu-item']")
            for p in p_list:
                #中间分类的名字
                item["m_cate"] = p.xpath("./a/text()").extract_first()
                #获取小分类的分组
                li_list = p.xpath("./following-sibling::ul[1]/li")
                for li in li_list:
                    #小分类的名字
                    item["s_cate"] = li.xpath("./a/text()").extract_first()
                    #小分类的URL地址
                    item["s_href"] = li.xpath("./a/@href").extract_first()

                    #请求图书的列表页
                    yield scrapy.Request(
                        item["s_href"],
                        callback=self.parse_book_list,
                        meta={"item":deepcopy(item)}
                    )

                    #发送请求，获取列表页第一页后一部分的数据
                    next_part_url_temp = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp=0&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0"
                    #获取url地址的ci
                    ci = item["s_href"].split("-")[1]
                    next_part_url = next_part_url_temp.format(ci)
                    yield scrapy.Request(
                        next_part_url,
                        callback=self.parse_book_list,
                        meta={"item":deepcopy(item)}
                    )

    def parse_book_list(self,response): #处理图书列表页内容
        item = response.meta["item"]
        #获取图书列表页的分组
        # li_list = response.xpath("//div[@id='filter-results']/ul/li")
        li_list =response.xpath("//li[contains(@class,'product      book')]")
        for li in li_list[:1]:
            #书名
            item["book_name"] = li.xpath(".//p[@class='sell-point']/a/text()").extract_first().strip()
            #书的url地址，不完整
            item["book_href"] = li.xpath(".//p[@class='sell-point']/a/@href").extract_first()
            #书店名
            item["book_store_name"] = li.xpath(".//p[contains(@class,'seller oh no-more')]/a/text()").extract_first()
            #发送详情页的请求
            yield response.follow(
                item["book_href"],
                callback = self.parse_book_detail,
                meta = {"item":deepcopy(item)}
            )

        #列表页翻页
        #前半部分数据的url地址
        next_url_1 = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010"
        #后半部分数据的url地址
        next_url_2 = "https://list.suning.com/emall/showProductList.do?ci={}&pg=03&cp={}&il=0&iy=0&adNumber=0&n=1&ch=4&sesab=ABBAAA&id=IDENTIFYING&cc=010&paging=1&sub=0"
        ci = item["s_href"].split("-")[1]
        #当前的页码数
        current_page = re.findall('param.currentPage = "(.*?)";',response.body.decode())[0]
        #总的页码数
        total_page = re.findall('param.pageNumbers = "(.*?)";',response.body.decode())[0]
        if int(current_page)<int(total_page):
            next_page_num = int(current_page) + 1
            next_url_1 = next_url_1.format(ci,next_page_num)  #组装前半部分URL
            yield scrapy.Request(
                next_url_1,
                callback=self.parse_book_list,
                meta = {"item":item}
            )
            #构造后半部分数据的请求
            next_url_2 = next_url_2.format(ci,next_page_num)
            yield scrapy.Request(
                next_url_2,
                callback=self.parse_book_list,
                meta = {"item":item}
            )

    def parse_book_detail(self,response):#处理图书详情页内容
        item = response.meta["item"]
        price_temp_url = "https://pas.suning.com/nspcsale_0_000000000{}_000000000{}_{}_10_010_0100101_226503_1000000_9017_10106____{}_{}.html"
        p1 = response.url.split("/")[-1].split(".")[0]
        p3 = response.url.split("/")[-2]
        p4 = re.findall('"catenIds":"(.*?)",',response.body.decode())
        if len(p4)>0:
            p4 = p4[0]
            p5 = re.findall('"weight":"(.*?)",',response.body.decode())[0]
            price_url = price_temp_url.format(p1,p1,p3,p4,p5)
            yield scrapy.Request(
                price_url,
                callback=self.parse_book_pirce,
                meta={"item":item}
            )

    def parse_book_pirce(self,response): #提取图书的价格
        item = response.meta["item"]
        # item["book_price"] = re.findall('"netPrice":"(.*?)"',response.body.decode())[0]
        # print(item)
        yield item

关于setting.py & pipeline.py & middlewares.py的代码比较简单，这里就不传了。