利用Python爬虫爬取京东商品的简要信息

一、前言

　　本文适合有一定Python基础的同学学习Python爬虫，无基础请点击：慕课网——Python入门
　　申明：实例的主体框架来自于慕课网——Python开发简单爬虫

　　语言：Python2

　　IDE：VScode

二、何为爬虫

　　传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，然后下载队列中的URL地址对应的网页。解析后抓取网页内容，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。同时，它还会根据一定的搜索策略获取我们所需的信息并保存下来。最后为了展示我们爬到的数据，往往还会用HTML的表格或记事本保存我们所需要的数据。
　　简单来说，爬虫就是一门用来从互联网上自动获取我们所需数据的技术。

三、JD商品详情页的网页分析

　　入口URL选择为JD某商品详情页：https://item.jd.com/4224129.html

　　我们需要分析的内容主要有：

　　3.1详情页上指向的其他URL

　　　　我们打开https://item.jd.com/4224129.html，发现网页上还有很多指向其他商品的链接。

　　　　通过鼠标右键，查看元素，我们可以发现商品页面上的以上链接均为以下格式: //item.jd.com/数字.html

　　　　分析到此，我们就知道抓取网页内容时，从当前页面上抽取新的URL的方法了。

　　3.2商品名称、价格

　　同理，我们在商品名称和价格处点击鼠标右键查看元素

四、简单爬虫框架

　　1.爬虫总调度程序

　　　　即我们的main文件，以入口URL为参数爬取所有相关页面
　　　　
　　2.URL管理器

　　　　维护待爬取和已爬取的URL列表

　　3.HTML下载器

　　　　主要功能是下载指定的url，这里用到了urllib2

　　4.HTML解析器
　　　　主要功能是获取网页上所需的URL和内容，用到BeautifulSoup

　　　　正则表达式的基础知识可以参见

　　　　re模块（正则表达式） – 人生不如戏 – 博客园

　　　　另外安利一个网站，在写正则表达式的时候可以先测试，很实用

　　　　正则表达式在线测试

　　5.输出程序

　　　　将爬取到的数据写入HTML文件中，利用HTML的table展示

五、源码

　　1.爬虫总调度程序

import url_manager, html_downloader, html_parser, html_outputer
class SpiderMain(object):
    def __init__(self):
        self.urls = url_manager.UrlManager()
        self.downloader = html_downloader.Html_DownloaDer()
        self.parser = html_parser.HtmlParser()
        self.outputer = html_outputer.HtmlOutputer()
    #爬虫调度程序
    def craw(self, root_url):
        count = 1
        #入口URL添加进URL管理器 
        self.urls.add_new_url(root_url)
        #启动循环，获取待扒取的URL，然后交给下载器下载页面，调用解析器解析页面
        while self.urls.has_new_url():
            try:
                new_url = self.urls.get_new_url()
                print \'craw\',count, \':\' ,new_url
                html_cont = self.downloader.download(new_url)
                #得到新的URL列表和内容
                new_urls, new_data = self.parser.parse(new_url,html_cont)
                #新的URL存到URL管理器，同时进行数据的收集
                self.urls.add_new_urls(new_urls)
                self.outputer.collect_data(new_data)
                if count == 10:
                    break
                count = count +1
            except:
                print \'craw dailed\'
        #调用output_html展示爬取到的数据
        self.outputer.output_html()
if __name__ == "__main__":
    #入口URL
    root_url = "https://item.jd.com/4224129.html"
    obj_spider = SpiderMain()
    #启动爬虫
    obj_spider.craw(root_url)

　　2.URL管理器

class UrlManager(object):
    def __init__(self):
        #未爬取URL列表，已爬取URL列表
        self.new_urls = set()
        self.old_urls = set()
    #判断管理器中是否有新的待扒取的URL
    def has_new_url(self):
        return len(self.new_urls) != 0
    #获取一个新的待扒取的URL
    def get_new_url(self):
        #pop方法：获取列表中的一个URL并移除它
        new_url = self.new_urls.pop()
        self.old_urls.add(new_url)
        return new_url
    #向管理器添加一个新的URL
    def add_new_url(self, url):
        if url is None:
            return
        #发现新的未添加的URL，则加入待扒取URL列表
        if url not in self.new_urls and url not in self.old_urls:
            self.new_urls.add(url)
    #向管理器添加批量个新的URL
    def add_new_urls(self, urls):
        if urls is None or len(urls) == 0:
            return
        for url in urls:
            self.add_new_url(url)

　　3.HTML下载器

import urllib2
class Html_DownloaDer():
    def download(self, url):
        if url is None:
            return None
        #调用urllib2库的urlopen方法获取 类文件对象(fd) response
        """ response = urllib2.urlopen(url)"""
 
 
        #调用urllib2库的Request方法创建request对象
        request = urllib2.Request(url)
        #添加数据
        request.add_data(\'a\')
        #添加htp和header(伪装成浏览器)
        request.add_header(\'User-Agent\',\'Mozilla/5.0\')
        #发送请求获取结果
        response = urllib2.urlopen(request)
        #获取状态码,200表示成功
        if response.getcode() != 200:
            return None
        return response.read()

　　4.HTML解析器

from bs4 import BeautifulSoup
import re
import urlparse
class HtmlParser(object):
    def _get_new_urls(self, page_url, soup):
        new_urls = set()
        #获取所有的链接
        #格式如:<a target="_blank" title="华为（HUAWEI）..." href="//item.jd.com/12943624333.html">
        links = soup.find_all(\'a\',href = re.compile(r"//item.jd.com/\d+\.htm"))
         #遍历转化为完整的URL
        for link in links:
            new_url = link[\'href\']
            new_full_url = urlparse.urljoin(page_url,new_url)
            #将结果存到一个新的列表里
            new_urls.add(new_full_url)
        
        return new_urls
    def _new_data(self, page_url, soup):
        res_data = {}
        
        #URL
        res_data[\'url\'] = page_url
        #匹配标题
        #<div class="sku-name">华为(HUAWEI) MateBook X 13英寸超轻薄微边框笔记本(i5-7200U 4G 256G 拓展坞 2K屏 指纹 背光 office)灰</div>
        title_node = soup.find(\'div\',class_ = "sku-name")
        res_data[\'title\'] = title_node.get_text()
        #匹配价格
        #<div class="dd">
        #<span class="p-price"><span>￥</span><span class="price J-p-7430495">4788.00</span></span>
        """下载的网页源码无价格信息<span class="price J-p-7430495"></span></span>!!!!!"""                                                                                                 
        price_node = soup.find(\'span\',class_ = re.compile(r"price\sJ\-p\-\d+"))
        res_data[\'price\'] =price_node.get_text()
        return res_data
    def parse(self, page_url, html_cont):
        if page_url is None or html_cont is None:
            return
        soup = BeautifulSoup(html_cont,\'html.parser\')
        new_urls = self._get_new_urls(page_url,soup)
        _new_data = self._new_data(page_url,soup)
        return new_urls, _new_data

　　5.输出程序

class HtmlOutputer(object):
    def __init__(self):
        self.datas = []
    def collect_data(self,data):
        if data is None:
            return
        self.datas.append(data)
    def output_html(self):
        fout = open(\'output.html\',\'w\')
        fout.write("<html>")
        fout.write("<head>")
        fout.write(\'<meta charset="UTF-8">\')        
        fout.write("<body>")
        fout.write("<table>")
        #python默认编码是ascii，中文可能会乱码，故加上encode(\'utf-8\')
        for data in self.datas:
            fout.write("<tr>")
            fout.write("<td>%s</td>" % data[\'url\'])
            fout.write("<td>%s</td>" % data[\'title\'].encode(\'utf-8\'))
            fout.write("<td>%s</td>" % data[\'price\'].encode(\'utf-8\'))
            fout.write("</tr>")
        fout.write("</table>")
        fout.write("</body>")
        fout.write("</head>")
        fout.write("</html>")