Scrapy爬虫框架：抓取淘宝天猫数据

有了前两篇的基础，接下来通过抓取淘宝和天猫的数据来详细说明，如何通过Scrapy爬取想要的内容。完整的代码：[不带数据库版本][ 数据库版本]。

需求

通过淘宝的搜索，获取搜索出来的每件商品的销量、收藏数、价格。

解决思路

首先，打开淘宝的搜索页面，在里面输入：硬盘，选中列表模式（因为列表模式没有广告）。
获取到现在浏览器上面的地址：
https://s.taobao.com/search?q=硬盘&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.50862.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170316&style=list
在出现的商品列表中有很多硬盘，我们需要获取到这些商品的详细信息，也就是它的跳转链接，比如：//detail.tmall.com/item.htm?spm=a230r.1.14.19.QzLRla&id=40000831870&ad_id=&am_id=&cm_id=140105335569ed55e27b&pm_id=&abbucket=14
然后再把详细地址的内容全部请求出来，里面包含了销量、价格、收藏数量。

所以，最终的目的是通过获取两个页面的内容，一个是搜索结果，从里面找出来每一个商品的详细地址，然后第二个是商品详细内容，从里面获取到销量、价格等。

下载网页

有了思路现在我们先下载搜索结果页面，然后再下载页面中每一项详细信息页面。

 def _parse_handler(self, response):
        ''' 下载页面 """
        self.driver.get(response.url) 
        pass

很简单，通过self.driver.get(response.url)就能使用selenium下载内容，如果直接使用response中的网页内容是静态的。

获取想要的内容(Selector)

上面说了如何下载内容，当我们下载好内容后，需要从里面去获取我们想要的有用信息，这里就要用到选择器，选择器构造方式比较多，只介绍一种，这里看详细信息：

>>> body = '<html><body><span>good</span></body></html>'
>>> Selector(text=body).xpath('//span/text()').extract()
[u'good']

这样就通过xpath取出来了good这个单词，更详细的xpath教程点击这里。
Selector 提供了很多方式出了xpath，还有css选择器，正则表达式，中文教程看这个，具体内容就不多说，只需要知道这样可以快速获取我们需要的内容。

处理内容

简单的介绍了怎么获取内容后，现在我们从第一个搜索结果中获取我们想要的商品详细链接，通过查看网页源代码可以看到，商品的链接在这里：

...
<p class="title">
      <a class="J_ClickStat" data-nid="523242229702" href="//detail.tmall.com/item.htm?spm=a230r.1.14.46.Mnbjq5&id=523242229702&ns=1&abbucket=14" target="_blank" trace="msrp_auction" traceidx="5" trace-pid="" data-spm-anchor-id="a230r.1.14.46">WD/西部数据 WD30EZRZ台式机3T电脑<span class="H">硬盘</span> 西数蓝盘3TB 替绿盘</a>
</p>
...

使用之前的规则来获取到a元素的href属性就是需要的内容：

selector = Selector(text=self.driver.page_source) # 这里不要省略text因为省略后Selector使用的是另外一个构造函数，self.driver.page_source是这个网页的html内容
selector.css(".title").css(".J_ClickStat").xpath("./@href").extract()

简单说一下，这里通过css工具取了class叫title的p元素，然后又获取了class是J_ClickStat的a元素，最后通过xpath规则获取a元素的href中的内容。啰嗦一句css中如果是取id则应该是selector.css("#title")，这个和css中的选择器是一致的。
同理，我们获取到商品详情后，以获取销量为例，查看源代码：

<ul class="tm-ind-panel">
    <li class="tm-ind-item tm-ind-sellCount" data-label="月销量"><div class="tm-indcon"><span class="tm-label">月销量</span><span class="tm-count">881</span></div></li>
    <li class="tm-ind-item tm-ind-reviewCount canClick tm-line3" id="J_ItemRates"><div class="tm-indcon"><span class="tm-label">累计评价</span><span class="tm-count">4593</span></div></li>
    <li class="tm-ind-item tm-ind-emPointCount" data-spm="1000988"><div class="tm-indcon"><a href="//vip.tmall.com/vip/index.htm" target="_blank"><span class="tm-label">送天猫积分</span><span class="tm-count">55</span></a></div></li>
 </ul>

获取月销量:

selector.css(".tm-ind-sellCount").xpath("./div/span[@class='tm-count']/text()").extract_first()

获取累计评价:

selector.css(".tm-ind-reviewCount").xpath("./div[@class='tm-indcon']/span[@class='tm-count']/text()").extract_first()

最后把获取出来的数据包装成Item返回。淘宝或者天猫他们的页面内容不一样，所以规则也不同，需要分开去获取想要的内容。

Item使用

Item是scrapy中获取出来的结果，后面可以处理这些结果。

定义

Item一般是放到items.py中

import scrapy

class Product(scrapy.Item):
    name = scrapy.Field()
    price = scrapy.Field()
    stock = scrapy.Field()
    last_updated = scrapy.Field(serializer=str)

创建

>>> product = Product(name='Desktop PC', price=1000)
>>> print product
Product(name='Desktop PC', price=1000)

使用值

>>> product['name']
Desktop PC
>>> product.get('name')
Desktop PC

>>> product['price']
1000

>>> product['last_updated']
Traceback (most recent call last):
    ...
KeyError: 'last_updated'

>>> product.get('last_updated', 'not set')
not set

>>> product['lala'] # getting unknown field
Traceback (most recent call last):
    ...
KeyError: 'lala'

>>> product.get('lala', 'unknown field')
'unknown field'

>>> 'name' in product  # is name field populated?
True

>>> 'last_updated' in product  # is last_updated populated?
False

>>> 'last_updated' in product.fields  # is last_updated a declared field?
True

>>> 'lala' in product.fields  # is lala a declared field?
False

设置值

>>> product['last_updated'] = 'today'
>>> product['last_updated']
today

>>> product['lala'] = 'test' # setting unknown field
Traceback (most recent call last):
    ...
KeyError: 'Product does not support field: lala'

这里只需要注意一个地方，不能通过product.name的方式获取，也不能通过product.name = "name"的方式设置值。

添加Pipeline过滤结果

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，一些组件会按照一定的顺序执行对Item的处理。

每个item pipeline组件(有时称之为“Item Pipeline”)是实现了简单方法的Python类。他们接收到Item并通过它执行一些行为，同时也决定此Item是否继续通过pipeline，或是被丢弃而不再进行处理。

以下是item pipeline的一些典型应用：

清理HTML数据
验证爬取的数据(检查item包含某些字段)
查重(并丢弃)
将爬取结果保存到数据库中

现在实现一个Item过滤器，我们把获取出来如果是None的数据赋值为0，如果Item对象是None则扔掉这条数据。
pipeline一般是放到pipelines.py中

    def process_item(self, item, spider):
        if item is not None:
            if item["p_standard_price"] is None:
                item["p_standard_price"] = item["p_shop_price"]
            if item["p_shop_price"] is None:
                item["p_shop_price"] = item["p_standard_price"]

            item["p_collect_count"] = text_utils.to_int(item["p_collect_count"])
            item["p_comment_count"] = text_utils.to_int(item["p_comment_count"])
            item["p_month_sale_count"] = text_utils.to_int(item["p_month_sale_count"])
            item["p_sale_count"] = text_utils.to_int(item["p_sale_count"])
            item["p_standard_price"] = text_utils.to_string(item["p_standard_price"], "0")
            item["p_shop_price"] = text_utils.to_string(item["p_shop_price"], "0")
            item["p_pay_count"] = item["p_pay_count"] if item["p_pay_count"] is not "-" else "0"
            return item
        else:
            raise DropItem("Item is None %s" % item)

最后需要在settings.py中添加这个pipeline

ITEM_PIPELINES = {
    'TaoBao.pipelines.TTDataHandlerPipeline': 250,
    'TaoBao.pipelines.MysqlPipeline': 300,
}

后面那个数字越小，则执行的顺序越靠前，这里先过滤处理数据，获取到正确的数据后，再执行TaoBao.pipelines.MysqlPipeline添加数据到数据库。

完整的代码：[不带数据库版本][ 数据库版本]。

可能会遇到的一些问题

IDE调试

之前说的方式都是直接通过命令scrapy crawl tts来启动。怎么用IDE的调试功能呢？很简单通过main函数启动爬虫：

#   写到Spider里面
if __name__ == "__main__":
    settings = get_project_settings()
    process = CrawlerProcess(settings)
    spider = TmallAndTaoBaoSpider
    process.crawl(spider)
    process.start()

302重定向的问题

在获取数据的时候，很多时候会遇到网页重定向的问题，scrapy会返回302然后不会自动重定向后继续爬取新地址，在scrapy的设置中，可以通过配置来开启重定向，这样即使域名是重定向的scrapy也会自动到最终的地址获取内容。
解决方案：settings.py中添加REDIRECT_ENABLED = True

命令行参数传递

很多时候爬虫都有自定义数据，比如之前写的是硬盘关键字，现在通过参数的方式怎么传递呢？
解决方案：

重写初始化函数 def __init__(self, *args, **kwargs):
直接在函数参数添加自定义参数：
```
def __init__(self, dt=None, keys=None, *args, **kwargs):
    super(TmallAndTaoBaoSpider, self).__init__(*args, **kwargs)
```
dt 和 keys是自定义的参数。
命令行使用。命令行是通过-a参数来传递的，需要注意的是-a只能传递一个参数，如果需要传递多个参数，使用多次-a
```
 scrapy crawl tts -a keys="硬盘,光驱" -a dt="20170316"
```

IDE中main函数使用。

if __name__ == "__main__":
     settings = get_project_settings()
     process = CrawlerProcess(settings)
     spider = TmallAndTaoBaoSpider
     process.crawl(spider, keys="硬盘,光驱", dt="20170316")
     process.start()

数据不全（selenium并不知道什么时候ajax请求完成），延时处理

大部分时候，我们可以取到完整的网页信息，如果网页的ajax请求太多，网速太慢的时候，selenium并不知道什么时候ajax请求完成，这个时候如果通过self.driver.get(response.url)获取页面，然后通过Selector取数据，很可能还没加载完成取不到数据。
解决方案：通过selenium提供的工具来延迟获取内容，直到获取到数据，或者超时。

    def _wait_get(self, method):
        """
        延时获取，如果10秒钟还没有获取完成，则返回失败
        :param method:
        :return:
        """
        result = None
        try:
            result = WebDriverWait(self.driver, 10).until(method)
        except:
            self.__error("超时获取：%s  %s" % (self.driver.current_url, self.driver.title))
            log.e()
        return result

这里以获取评论为例:

item['p_comment_count'] = self._wait_get(lambda dr: Selector(text=self.driver.page_source).xpath("//li/div/div[@class='tb-rate-counter']/a/strong/text()").extract_first())

在10秒以内会一直执行这个lambada函数：

lambda dr: Selector(text=self.driver.page_source).xpath("//li/div/div[@class='tb-rate-counter']/a/strong/text()").extract_first()

直到这个函数返回的不是None，或者10秒后返回超时。

robots.txt不让爬取

Scrapy爬取遵循robots协议，就是网站定义了哪些数据可以爬取，哪些不能爬取，如果网站不允许爬取，还是想爬怎么办？
解决方案：
在settings.py中忽略robots协议，添加参数:ROBOTSTXT_OBEY = False

请求数量配置

默认的数量是16，可以修改大一些，settings.py中设置:CONCURRENT_REQUESTS = 50