基于Scrapy框架实现多级页面数据抓取

前言

本文中介绍 如何基于 Scrapy 框架实现多级页面数据的抓取，并以抓取汽车之家二手车数据为例进行讲解。

正文

在介绍如何基于 Scrapy 框架实现多级页面数据的抓取之前，先介绍下 Scrapy 框架的请求对象 request 和响应对象 response。

1、请求对象request属性及方法

1. request.url：请求的 url 地址
2. request.headers：请求头-字典格式
3. request.meta：解析函数间 item 数据传递，定义代理
4. request.cookies：Cookie 参数

2、响应对象response属性及方法

1. response.url：返回实际数据的 url 地址
2. response.text：响应内容-字符串格式
3. response.body：响应内容-字符串格式
4. response.encoding：响应字符编码
5. response.status：HTTP响应码

3、请求对象request的meta参数

meta 参数：在不同的解析函数之间传递数据。
在执行 scrapy.Request() 方法时把一些回调函数中需要的数据传进去，meta 必须是一个字典，在下一个函数中可以使用 response.meta 进行访问，meta 会随着 response 响应对象一起回来，作为response 的一个属性。
注意：meta 传递的数据是浅拷贝传递的，如果传递的数据是可变的数据类型，那么很容易造成数据不对应的错误。
利用 mata 参数在不同的解析函数间传递数据：如有需要继续交给调度器的请求，则创建新的 item 对象。

4、基于Scrapy框架实现多级页面数据抓取

多级页面抓取的注意事项：

1. 多级页面，数据不能直接提交给管道；
2. 通过 meta 参数传递的数据是浅拷贝传递的，如果传递的数据是可变的数据类型，那么很容易造成数据不对应的错误；
3. 针对 meta 参数传递数据不对应的的解决方法：传递多个参数。

案例详情：
这里参考 【Python_Scrapy学习笔记（六）】Scrapy框架基本使用流程 里的案例，并在此案例基础之上升级。

1. 需求梳理：二级页面要爬取表显里程、上牌时间、排量
   

2. 整体思路：梳理要改写的 py 文件

   1. items.py：定义所有要抓取的数据结构
   2. car.py：将详情页链接继续交给调度器队列
   3. pipelines.py：处理全部汽车信息的item对象

3. item.py：定义所有要抓取的数据结构，增加要爬取的三个字段

   import scrapy
   
   
   class CarspiderItem(scrapy.Item):
       # define the fields for your item here like:
       # name = scrapy.Field()
       # 汽车的名称、价格、和详情页链接，相当于定义了一个字典，只赋值了key，未赋值value
       name = scrapy.Field()
       price = scrapy.Field()
       link = scrapy.Field()
       # 表显里程、上牌时间、排量
       time = scrapy.Field()
       km = scrapy.Field()
       displacement = scrapy.Field()
   

4. car.py：将详情页链接继续交给调度器队列，通过 meta 参数传递数据

   import scrapy
   from ..items import CarspiderItem
   
   
   class CarSpider(scrapy.Spider):
       name = "car"
       allowed_domains = ["www.che168.com"]
   
       # i = 1
   
       # 1、删除掉 start_urls 变量
       # start_urls = ["https://www.che168.com/china/a0_0msdgscncgpi1ltocsp1exx0/"]  # 从第一页开始
   
       def start_requests(self):
           """
           2、重写 start_requests() 方法：一次性生成所有要抓取的url地址，并一次性交给调度器入队列
           :return:
           """
   
           for i in range(1, 3):
               url = "https://www.che168.com/china/a0_0msdgscncgpi1ltocsp{}exx0/".format(i)
               # 交给调度器入队列，并指定解析函数
               yield scrapy.Request(url=url, callback=self.parse)
   
       def parse(self, response):
           item = {}
           # 先写基准xpath //body/div/div/ul/li
           li_list = response.xpath("//body/div/div/ul[@class='viewlist_ul']/li")
           for li in li_list:
               item["name"] = li.xpath("./@carname").get()
               item["price"] = li.xpath("./@price").get()
               if li.xpath("./a/@href").get().find('/dealer') == 0:
                   item["link"] = "https://www.che168.com" + li.xpath("./a/@href").get()
               else:
                   item["link"] = "https://" + li.xpath("./a/@href").get()[2:]
               # 此时把每个详情页的链接交给调度器入队列
               
               yield scrapy.Request(url=item["link"], meta={'k1': item['name'], 'k2': item['price'], 'k3': item['link']},
                                    callback=self.get_car_info)
               # meta传递的数据是浅拷贝传递的，如果传递的数据是可变的数据类型，那么很容易造成数据不对应的错误。
               # 当scrapy用请求对象发送请求并将返回结果给下一个解析方法后，接收到的meta里的数据是可以被操作修改的，所以item是会被for循环不断的修改，从而接收到的数据是被修改过后的数据。
               # 利用mata参数在不同的解析函数间传递数据：如有需要继续交给调度器的请求，则创建新的item对象
               # 解决方法：传递多个参数
               # 多级页面，不能直接提交给管道
   
       def get_car_info(self, response):
           """
           function:  提取二级页面的数据
                 in:
                out:
             return:  int >0 ok, <0 some wrong
             others:
           """
           item = CarspiderItem()  # 给item.py的CarspiderItem类做实例化
           # meta会随着response响应对象一起回来，作为response的一个属性
           # item = response.meta["item"]
           item['name'] = response.meta['k1']
           item['price'] = response.meta['k2']
           item['link'] = response.meta['k3']
           item["time"] = response.xpath(".//div[@class='car-box']/ul/li[2]/h4/text()").get()
           item["km"] = response.xpath(".//div[@class='car-box']/ul/li[1]/h4/text()").get()
           item["displacement"] = response.xpath(".//div[@class='car-box']/ul/li[3]/h4/text()").get()
           yield item
   
   

5. pipelines.py：处理全部汽车信息的item对象

   class CarspiderPipeline:
       def process_item(self, item, spider):
           print(item) # 这里只做打印处理
           return item
   

6. 运行效果