【Python从入门到进阶】48、当当网Scrapy项目实战（一）

接上篇《47、Scrapy Shell的了解与应用》
上一篇我们学习了Scrapy终端命令行工具Scrapy Shell，并了解了它是如何帮助我们更好的调试爬虫程序的。本篇我们将正式开启一个Scrapy爬虫项目的实战，对当当网进行剖析和抓取。

一、当当网介绍

当当网成立于1999年11月，是一家知名的综合性网上购物商城。从早期以图书业务为主的业务形态，逐步拓展到全品类百货，包括图书音像、美妆、家居、母婴、服装和3C数码等几十个大类，数百万种商品。

二、需要抓取的页面分析

我们进入当当网首页，点击“图书”链接：

进入当当网图书分类专区首页：

可以看到左侧有很多图书的分类。
点击其中一个最末级分类（我选择的是“一般管理类”，网址为http://category.dangdang.com/cp01.22.01.00.00.00.html），可以看到具体的图书分类列表：

列表包含书籍图片、书籍标题、作者、出版社、评分、标签和简介等内容。拉到最下面可以看到具体的分页，默认我们在第1页，总计100页：

我们要做的事情，就是将这100页的全部的图书信息，给它全部抓取下来。在之前我们单独讲解爬虫的时候，可能工作量比较大，但是我们使用Scrapy框架的话，效率很高，接下来我们就进行实战。

三、创建当当网Scrapy项目

首先在工程目录下使用“scrapy startproject 项目名”指令创建项目。然后进入创建好的工程的spiders目录下，使用“scrapy genspider 爬虫名起始url地址”指令创建一个名为“dang”的爬虫文件：

这是“dang”的爬虫文件生成的代码：

import scrapy


class DangSpider(scrapy.Spider):
    name = "dang"
    allowed_domains = ["category.dangdang.com"]
    start_urls = ["http://category.dangdang.com/cp01.22.01.00.00.00.html"]

    def parse(self, response):
        pass

我们来校验一下这个网站有没有反爬虫校验，我们把上面的“pass”更换为“print”，打印一些等于号，看看一会能不能正常获取：

 def parse(self, response):
        print("========================")

我们在控制台使用“scrapy crawl dang”执行爬虫，可以看到结果里包含我们打印的等于号：

这说明网站没有反爬虫机制，我们无需调整scrapy功能的配置文件来忽略爬虫警告了。

四、编写分类图书信息获取爬虫

上面的工程以及爬虫文件创建好后，我们就来编写分类图书信息获取的爬虫逻辑。
我们再来回顾一下之前讲解的scrapy的工程项目组成：

这里面我们就会用到item、pipelines等组件类了。

1、定义item数据结构

我们打开item.py文件，来定义我们的基础数据结构，通俗的来说就是我们需要下载的数据都有什么。这里我们根据页面剖析的结果，可以看到有以下几种数据：

我们在item.py文件定义相关的数据：

import scrapy

class ScrapyDangdang01Item(scrapy.Item):
    # 书籍图片
    src = scrapy.Field()
    # 书籍名称
    title = scrapy.Field()
    # 书籍作者
    search_book_author = scrapy.Field()
    # 书籍价格
    price = scrapy.Field()
    # 书籍简介
    detail = scrapy.Field()

2、分析spider爬取逻辑

我们分析书籍图片的地址xpath代码：

经过分析，获取每一页的所有图书的图片的xpath代码为：

//ul[@id="component_59"]/li//img/@src

同样的，获取书籍名称，可以直接从img的alt属性获取，xpath代码为：

//ul[@id="component_59"]/li//img/@alt

然后我们分析作者的数据：

获取作者的xpath代码为：

//ul[@id="component_59"]/li/p[@class="search_book_author"]//span[1]//a[1]/@title

然后我们分析价格的数据：

获取价格的xpath代码为：

//ul[@id="component_59"]/li/p[@class="price"]//span[@class="search_now_price"]/text()

最后我们分析书籍简介的数据：

获取书籍简介的xpath代码为：

//ul[@id="component_59"]/li/p[@class="detail"]/text()

3、编写spider爬虫代码

按照上面的分析，编写初步的spider爬虫代码，如下：

import scrapy

class DangSpider(scrapy.Spider):
    name = "dang"
    allowed_domains = ["category.dangdang.com"]
    start_urls = ["http://category.dangdang.com/cp01.22.01.00.00.00.html"]

    def parse(self, response):
        # 获取所有的图书列表对象
        li_list = response.xpath('//ul[@id="component_59"]/li')

        # 遍历li列表，获取每一个li元素的几个值
        for li in li_list:
            # 书籍图片
            src = li.xpath('.//img/@src').extract_first()
            # 书籍名称
            title = li.xpath('.//img/@alt').extract_first()
            # 书籍作者
            search_book_author = li.xpath('./p[@class="search_book_author"]//span[1]//a[1]/@title').extract_first()
            # 书籍价格
            price = li.xpath('./p[@class="price"]//span[@class="search_now_price"]/text()').extract_first()
            # 书籍简介
            detail = li.xpath('./p[@class="detail"]/text()').extract_first()
            print("======================")
            print("【图片地址】", src)
            print("【书籍标题】", title)
            print("【书籍作者】", search_book_author)
            print("【书籍价格】", price,)
            print("【书籍简介】", detail)

我们先运行爬虫打印一下，看看获取到的信息对不对：

发现相关信息确实获取到了，但是我们同时也注意到了一个问题，就是书籍图片的src地址，除了第一张外，后面的地址全部是重复的，都是“ images/model/guan/url_none.png”。这是因为网页使用了懒加载功能，除了第一个图片，其他的在往下翻网页的时候，才会获取到真正的图片。

那么我们真么破除懒加载，获取真正的图片地址呢？我们去网页分析一下书籍图片的html代码：

<img data-original="//img3m9.ddimg.cn/85/14/29491789-1_b_20.jpg" src="//img3m9.ddimg.cn/85/14/29491789-1_b_20.jpg" alt=" 金线（麦肯锡真正在用的管理工具。冯唐倾囊相授成事学修炼方法。）" style="display: block;" class="">

这里面的src属性，在没有往下拉网页前，里面的图片地址统一为“ images/model/guan/url_none.png”空图片，往下拉到它之后，src里面的内容才会变更为data-original中的地址（就像上面是一个已经加载过的图片，src和data-original属性的地址一样）。
所以，我们的图片地址需要更改为“data-original”属性，而不是原本的src，这样就可以破除懒加载的阻碍了：

# 书籍图片
src = li.xpath('.//img/@data-original').extract_first()

此时再去看结果，真实的图片地址就有了：

但是细心的朋友会发现，更改为“data-original”属性后，第一本书籍的图片地址就“空”了：

我们观察一下网页，发现第一个图书的图片信息汇总，没有“data-original”属性，只有一个src：

我们需要单独处理一下第一张图片的地址，代码优化如下：

 # 书籍图片
src = li.xpath('.//img/@data-original').extract_first()
# 第一张图片没有@data-original属性，所以会获取到空值，此时需要获取src属性值
if src:
    src = src
else:
    src = li.xpath('.//img/@src').extract_first()

修改之后，我们重新运行爬虫，此时可以看到获取到了第一张图片及后面所有图片的地址：