python爬虫实战之爬取京东商城实例教程

发表于 5年以前  | 总阅读数:902 次

前言

本文主要介绍的是利用python爬取京东商城的方法,文中介绍的非常详细,下面话不多说了,来看看详细的介绍吧。

主要工具

  • scrapy
  • BeautifulSoup
  • requests

分析步骤

1、打开京东首页,输入裤子将会看到页面跳转到了这里,这就是我们要分析的起点

2、我们可以看到这个页面并不是完全的,当我们往下拉的时候将会看到图片在不停的加载,这就是ajax,但是当我们下拉到底的时候就会看到整个页面加载了60条裤子的信息,我们打开chrome的调试工具,查找页面元素时可以看到每条裤子的信息都在

  • 这个标签中,如下图:

    3、接着我们打开网页源码就会发现其实网页源码只有前30条的数据,后面30条的数据找不到,因此这里就会想到ajax,一种异步加载的方式,于是我们就要开始抓包了,我们打开chrome按F12,点击上面的NetWork,然后点击XHR,这个比较容易好找,下面开始抓包,如下图:

    4、从上面可以找到请求的url,发现有很长的一大段,我们试着去掉一些看看可不可以打开,简化之后的url=https://search.jd.com/s_new.php?keyword=%E8%A3%A4%E5%AD%90&enc;=utf-8&qrst;=1&rt;=1&stop;=1&vt;=2&offset;=3&wq;=%E8%A3%A4%E5%AD%90&page;={0}&s;=26&scrolling;=y&pos;=30&show;_items={1}
    这里的showitems是裤子的id,page是翻页的,可以看出来我们只需要改动两处就可以打开不同的网页了,这里的page很好找,你会发现一个很好玩的事情,就是主网页的page是奇数,但是异步加载的网页中的page是偶数,因此这里只要填上偶数就可以了,但是填奇数也是可以访问的。这里的show_items就是id了,我们可以在页面的源码中找到,通过查找可以看到id在li标签的data-pid中,详情请看下图

    上面我们知道怎样找参数了,现在就可以撸代码了

    代码讲解

    1、首先我们要获取网页的源码,这里我用的requests库,安装方法为pip install requests,代码如下:

    
        def get_html(self):
         res = requests.get(self.url, headers=self.headers)
         html = res.text 
         return html #返回的源代码

    2、根据上面的分析可以知道,第二步就是得到异步加载的url中的参数show_items,就是li标签中的data-pid,代码如下:

    
        def get_pids(self):
         html = self.get_html()
         soup = BeautifulSoup(html, 'lxml') #创建BeautifulSoup对象
         lis = soup.find_all("li", class_='gl-item') #查找li标签
         for li in lis:
          data_pid = li.get("data-pid")  #得到li标签下的data-pid
          if (data_pid):
           self.pids.add(data_pid) #这里的self.pids是一个集合,用于过滤重复的

    3、下面就是获取前30张图片的url了,也就是主网页上的图片,其中一个问题是img标签的属性并不是一样的,也就是源码中的img中不都是src属性,一开始已经加载出来的图片就是src属性,但是没有加载出来的图片是data-lazy-img,因此在解析页面的时候要加上讨论。

    代码如下:

    
        def get_src_imgs_data(self):
         html = self.get_html()
         soup = BeautifulSoup(html, 'lxml')
         divs = soup.find_all("div", class_='p-img') # 图片
         # divs_prices = soup.find_all("div", class_='p-price') #价格
         for div in divs:
          img_1 = div.find("img").get('data-lazy-img') # 得到没有加载出来的url
          img_2 = div.find("img").get("src") # 得到已经加载出来的url
          if img_1:
           print img_1
           self.sql.save_img(img_1)
           self.img_urls.add(img_1)
          if img_2:
           print img_2
           self.sql.save_img(img_2)
           self.img_urls.add(img_2)

    前三十张图片找到了,现在开始找后三十张图片了,当然是要请求那个异步加载的url,前面已经把需要的参数给找到了,下面就好办了,直接贴代码:

    
        def get_extend_imgs_data(self):
         # self.search_urls=self.search_urls+','.join(self.pids)
         self.search_urls = self.search_urls.format(str(self.search_page), ','.join(self.pids)) #拼凑url,将获得的单数拼成url,其中show_items中的id是用','隔开的,因此要对集合中的每一个id分割,page就是偶数,这里直接用主网页的page加一就可以了
         print self.search_urls
         html = requests.get(self.search_urls, headers=self.headers).text #请求
         soup = BeautifulSoup(html, 'lxml') 
         div_search = soup.find_all("div", class_='p-img') #解析
         for div in div_search: 
          img_3 = div.find("img").get('data-lazy-img') #这里可以看到分开查找img属性了
          img_4 = div.find("img").get("src")
          if img_3: #如果是data-lazy-img
           print img_3
           self.sql.save_img(img_3) #存储到数据库
           self.img_urls.add(img_3)  #用集合去重
          if img_4: #如果是src属性
           print img_4
           self.sql.save_img(img_4)  
           self.img_urls.add(img_4)

    4、通过上面就可以爬取了,但是还是要考虑速度的问题,这里我用了多线程,直接每一页面开启一个线程,速度还是可以的,感觉这个速度还是可以的,几分钟解决问题,总共爬取了100个网页,这里的存储方式是mysql数据库存储的,要用发哦MySQLdb这个库,详情自己百度。

    当然也可以用mogodb,但是还没有学呢,想要的源码的朋友请看下面:

    一、GitHub源码

    二、本地下载

    拓展总结

    写到这里可以看到搜索首页的网址中keyword和wq都是你输入的词,如果你想要爬取更多的信息,可以将这两个词改成你想要搜索的词即可,直接将汉字写上,在请求的时候会自动帮你编码的,我也试过了,可以抓取源码的,如果你想要不断的抓取,可以将要搜索的词写上文件里,然后从文件中读取就可以了。以上只是一个普通的爬虫,并没有用到什么框架,接下来将会写scrapy框架爬取的,请继续关注脚本之家哦!!!

    好了,以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者使用python能带来一定的帮助,如果有疑问大家可以留言交流,谢谢大家对脚本之家的支持。

     相关推荐

    刘强东夫妇:“移民美国”传言被驳斥

    京东创始人刘强东和其妻子章泽天最近成为了互联网舆论关注的焦点。有关他们“移民美国”和在美国购买豪宅的传言在互联网上广泛传播。然而,京东官方通过微博发言人发布的消息澄清了这些传言,称这些言论纯属虚假信息和蓄意捏造。

    发布于:1年以前  |  808次阅读  |  详细内容 »

    博主曝三大运营商,将集体采购百万台华为Mate60系列

    日前,据博主“@超能数码君老周”爆料,国内三大运营商中国移动、中国电信和中国联通预计将集体采购百万台规模的华为Mate60系列手机。

    发布于:1年以前  |  770次阅读  |  详细内容 »

    ASML CEO警告:出口管制不是可行做法,不要“逼迫中国大陆创新”

    据报道,荷兰半导体设备公司ASML正看到美国对华遏制政策的负面影响。阿斯麦(ASML)CEO彼得·温宁克在一档电视节目中分享了他对中国大陆问题以及该公司面临的出口管制和保护主义的看法。彼得曾在多个场合表达了他对出口管制以及中荷经济关系的担忧。

    发布于:1年以前  |  756次阅读  |  详细内容 »

    抖音中长视频App青桃更名抖音精选,字节再发力对抗B站

    今年早些时候,抖音悄然上线了一款名为“青桃”的 App,Slogan 为“看见你的热爱”,根据应用介绍可知,“青桃”是一个属于年轻人的兴趣知识视频平台,由抖音官方出品的中长视频关联版本,整体风格有些类似B站。

    发布于:1年以前  |  648次阅读  |  详细内容 »

    威马CDO:中国每百户家庭仅17户有车

    日前,威马汽车首席数据官梅松林转发了一份“世界各国地区拥车率排行榜”,同时,他发文表示:中国汽车普及率低于非洲国家尼日利亚,每百户家庭仅17户有车。意大利世界排名第一,每十户中九户有车。

    发布于:1年以前  |  589次阅读  |  详细内容 »

    研究发现维生素 C 等抗氧化剂会刺激癌症生长和转移

    近日,一项新的研究发现,维生素 C 和 E 等抗氧化剂会激活一种机制,刺激癌症肿瘤中新血管的生长,帮助它们生长和扩散。

    发布于:1年以前  |  449次阅读  |  详细内容 »

    苹果据称正引入3D打印技术,用以生产智能手表的钢质底盘

    据媒体援引消息人士报道,苹果公司正在测试使用3D打印技术来生产其智能手表的钢质底盘。消息传出后,3D系统一度大涨超10%,不过截至周三收盘,该股涨幅回落至2%以内。

    发布于:1年以前  |  446次阅读  |  详细内容 »

    千万级抖音网红秀才账号被封禁

    9月2日,坐拥千万粉丝的网红主播“秀才”账号被封禁,在社交媒体平台上引发热议。平台相关负责人表示,“秀才”账号违反平台相关规定,已封禁。据知情人士透露,秀才近期被举报存在违法行为,这可能是他被封禁的部分原因。据悉,“秀才”年龄39岁,是安徽省亳州市蒙城县人,抖音网红,粉丝数量超1200万。他曾被称为“中老年...

    发布于:1年以前  |  445次阅读  |  详细内容 »

    亚马逊股东起诉公司和贝索斯,称其在购买卫星发射服务时忽视了 SpaceX

    9月3日消息,亚马逊的一些股东,包括持有该公司股票的一家养老基金,日前对亚马逊、其创始人贝索斯和其董事会提起诉讼,指控他们在为 Project Kuiper 卫星星座项目购买发射服务时“违反了信义义务”。

    发布于:1年以前  |  444次阅读  |  详细内容 »

    苹果上线AppsbyApple网站,以推广自家应用程序

    据消息,为推广自家应用,苹果现推出了一个名为“Apps by Apple”的网站,展示了苹果为旗下产品(如 iPhone、iPad、Apple Watch、Mac 和 Apple TV)开发的各种应用程序。

    发布于:1年以前  |  442次阅读  |  详细内容 »

    特斯拉美国降价引发投资者不满:“这是短期麻醉剂”

    特斯拉本周在美国大幅下调Model S和X售价,引发了该公司一些最坚定支持者的不满。知名特斯拉多头、未来基金(Future Fund)管理合伙人加里·布莱克发帖称,降价是一种“短期麻醉剂”,会让潜在客户等待进一步降价。

    发布于:1年以前  |  441次阅读  |  详细内容 »

    光刻机巨头阿斯麦:拿到许可,继续对华出口

    据外媒9月2日报道,荷兰半导体设备制造商阿斯麦称,尽管荷兰政府颁布的半导体设备出口管制新规9月正式生效,但该公司已获得在2023年底以前向中国运送受限制芯片制造机器的许可。

    发布于:1年以前  |  437次阅读  |  详细内容 »

    马斯克与库克首次隔空合作:为苹果提供卫星服务

    近日,根据美国证券交易委员会的文件显示,苹果卫星服务提供商 Globalstar 近期向马斯克旗下的 SpaceX 支付 6400 万美元(约 4.65 亿元人民币)。用于在 2023-2025 年期间,发射卫星,进一步扩展苹果 iPhone 系列的 SOS 卫星服务。

    发布于:1年以前  |  430次阅读  |  详细内容 »

    𝕏(推特)调整隐私政策,可拿用户发布的信息训练 AI 模型

    据报道,马斯克旗下社交平台𝕏(推特)日前调整了隐私政策,允许 𝕏 使用用户发布的信息来训练其人工智能(AI)模型。新的隐私政策将于 9 月 29 日生效。新政策规定,𝕏可能会使用所收集到的平台信息和公开可用的信息,来帮助训练 𝕏 的机器学习或人工智能模型。

    发布于:1年以前  |  428次阅读  |  详细内容 »

    荣耀CEO谈华为手机回归:替老同事们高兴,对行业也是好事

    9月2日,荣耀CEO赵明在采访中谈及华为手机回归时表示,替老同事们高兴,觉得手机行业,由于华为的回归,让竞争充满了更多的可能性和更多的魅力,对行业来说也是件好事。

    发布于:1年以前  |  423次阅读  |  详细内容 »

    AI操控无人机能力超越人类冠军

    《自然》30日发表的一篇论文报道了一个名为Swift的人工智能(AI)系统,该系统驾驶无人机的能力可在真实世界中一对一冠军赛里战胜人类对手。

    发布于:1年以前  |  423次阅读  |  详细内容 »

    AI生成的蘑菇科普书存在可致命错误

    近日,非营利组织纽约真菌学会(NYMS)发出警告,表示亚马逊为代表的电商平台上,充斥着各种AI生成的蘑菇觅食科普书籍,其中存在诸多错误。

    发布于:1年以前  |  420次阅读  |  详细内容 »

    社交媒体平台𝕏计划收集用户生物识别数据与工作教育经历

    社交媒体平台𝕏(原推特)新隐私政策提到:“在您同意的情况下,我们可能出于安全、安保和身份识别目的收集和使用您的生物识别信息。”

    发布于:1年以前  |  411次阅读  |  详细内容 »

    国产扫地机器人热销欧洲,国产割草机器人抢占欧洲草坪

    2023年德国柏林消费电子展上,各大企业都带来了最新的理念和产品,而高端化、本土化的中国产品正在不断吸引欧洲等国际市场的目光。

    发布于:1年以前  |  406次阅读  |  详细内容 »

    罗永浩吐槽iPhone15和14不会有区别,除了序列号变了

    罗永浩日前在直播中吐槽苹果即将推出的 iPhone 新品,具体内容为:“以我对我‘子公司’的了解,我认为 iPhone 15 跟 iPhone 14 不会有什么区别的,除了序(列)号变了,这个‘不要脸’的东西,这个‘臭厨子’。

    发布于:1年以前  |  398次阅读  |  详细内容 »
     相关文章
    Android插件化方案 5年以前  |  237270次阅读
    vscode超好用的代码书签插件Bookmarks 2年以前  |  8108次阅读
     目录