• 爬取这个网上的书籍http://www.allitebooks.com/security/
• 然后价格等信息在亚马逊上爬取：https://www.amazon.com/s/ref=nb_sb_noss?url=search-alias%3Daps&field-keywords=xxx       # xxx表示的是下面爬取的isbn
• 用的是python3.6
• 微博、小程序查看代码混乱，请查看原文~

准备

• 安装的包

$ pip install scrapy
$ pip install pymysql

• 需要了解的一些scrapy知识

Spider

Spider类想要表达的是：如何抓取一个确定了的网站的数据。比如在start_urls里定义的去哪个链接抓取，parse()方法中定义的要抓取什么样的数据。
当一个Spider开始执行的时候，它首先从start_urls()中的第一个链接开始发起请求，然后在callback里处理返回的数据。

Items

Item类提供格式化的数据，可以理解为数据Model类。

Selectors

Scrapy的Selector类基于lxml库，提供HTML或XML转换功能。以response对象作为参数生成的Selector实例即可通过实例对象的xpath()方法获取节点的数据。

编写

新建项目

$ scrapy startproject book_scrapy

这个是创建一个名为 book_scrapy的项目

新建爬虫

$ cd book_sacrpy/
$ scrapy genspider book_spiser allitebooks.com

• 结构如下：

├── book_sacrpy
│   ├── __init__.py
│   ├── items.py
│   ├── middlewares.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders
│       ├── __init__.py
│       └── book_spiser.py
└── scrapy.cfg

提示：pycharm里面可以一步到位

编写Items类，就是要获取的东西都这里

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy


class BookItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # pass
    title = scrapy.Field()
    isbn = scrapy.Field()
    price = scrapy.Field()

说明：

• title表示书的标题
• isbn表示书的编号，这样可以从亚马逊里面查到
• price表示价格，进入亚马逊之后爬取

编写Spider爬虫

就是spider文件夹下的book_spider.py文件，具体代码如下，css，xpath的分析省略

# -*- coding: utf-8 -*-
import scrapy

from book_sacrpy.items import BookItem


class BookSpiserSpider(scrapy.Spider):
    name = 'book_spiser'
    allowed_domains = ['allitebooks.com','amazon.com']
    start_urls = ['http://allitebooks.com/security/',]

    def parse(self, response):
        num_pages = int(response.xpath('//a[contains(@title, "Last Page →")]/text()').extract_first())
        base_url = "http://www.allitebooks.com/security/page/{0}/"
        for page in range(1,num_pages):
            yield scrapy.Request(base_url.format(page),dont_filter=True,callback=self.pare_page)


    def pare_page(self,response):
        for ever in response.css('.format-standard'):
            book_url = ever.css('.entry-thumbnail a::attr(href)').extract_first("")
            yield scrapy.Request(book_url,callback=self.pare_book_info)


    def pare_book_info(self,response):
        title = response.css('.single-title').xpath('text()').extract_first()
        isbn = response.xpath('//dd[2]/text()').extract_first('').replace(' ','')
        items = BookItem()
        items['title'] = title
        items['isbn'] = isbn
        amazon_price_url = 'https://www.amazon.com/s/ref=nb_sb_noss?url=search-alias%3Daps&field-keywords=' + isbn
        yield scrapy.Request(amazon_price_url,callback=self.pare_book_price,meta={'items': items})


    def pare_book_price(self,response):
        items = response.meta['items']
        items['price'] = response.xpath('//span/text()').re(r'\$[0-9]+\.[0-9]{2}?')[0]
        yield items

说明：

• 导入前面编写的Items，是将爬取的数据通过yield方式提交
• 新建类继承的是scrapy.Spider类
• name为爬虫的名字，allowed_domains表示允许的域名，start_urls表示爬取的时候的入口url

运行：

爬取写入到一个csv文件

$ scrapy crawl book_sacrpy -o books.csv

拓展

写入mysql

介绍

• pipelines.py文件，是管道文件，数据传入item之后，会再传给pipeline，所以可以在pipelines.py里面写各种存数据的方式
• middlewares.py文件，是中间件文件，一般写爬虫的IP代理，user-agent等
• settings.py文件，是设置文件，里面主要是设置开启关闭pipelines、middlewares、是否爬取robots.txt等，也可以在这里面设置一些mysql的动态修改的文件等

我们暂时不用中间件，数据库自己提前设置好表头等信息

pipelines.py代码：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

import pymysql
from book_sacrpy.items import BookItem

class BookIntodbPipeline(object):

    def __init__(self):
        self.conn = pymysql.connect("localhost","root","root","book",charset="utf8")
        self.cursor = self.conn.cursor()


    def process_item(self, item, spider):
        insert_sql = '''
            insert into book(title,isbn,price) VALUES ('{}','{}','{}')
        '''
        self.cursor.execute(insert_sql.format(item['title'],item['isbn'],item['price']))
        self.conn.commit()
        # return item

设置settings.py文件

ITEM_PIPELINES = {
   'book_sacrpy.pipelines.BookIntodbPipeline': 300,
}

将上面这一段注释掉，写入我们编写的那个pipeline，数字越大表示越靠后，里面可以写多个pipeline

运行

$ scrapy crawl book_spiser

• 每次运行都要输入三个命令，下面介绍一种快速运行的方式

写一个run.py文件，代码如下：

# coding:utf8

from scrapy.cmdline import execute

import sys
import os


sys.path.append(os.path.dirname(os.path.abspath(__file__)))
execute(["scrapy", "crawl", "book_spiser"])

以后只需要运行一个python  run.py

• 微博、小程序查看代码混乱，请查看原文~
• github开源：https://github.com/liwg1995/spider_learn_again/tree/master/book_sacrpy