資訊專欄INFORMATION COLUMN
摘要：，源代碼爬取京東商品列表，以手機商品列表為例示例網(wǎng)址版本京東手機列表源代碼下載位置請看文章末尾的源。，抓取結(jié)果運行上面的代碼，就會爬取京東手機品類頁面的所有手機型號價格等信息，并保存到本地文件京東手機列表中。
1，引言
在上一篇《python爬蟲實戰(zhàn)：爬取Drupal論壇帖子列表》，爬取了一個用Drupal做的論壇，是靜態(tài)頁面，抓取比較容易，即使直接解析html源文件都可以抓取到需要的內(nèi)容。相反，JavaScript實現(xiàn)的動態(tài)網(wǎng)頁內(nèi)容，無法從html源代碼抓取需要的內(nèi)容，必須先執(zhí)行JavaScript。
我們在《Python爬蟲使用Selenium+PhantomJS抓取Ajax和動態(tài)HTML內(nèi)容》一文已經(jīng)成功檢驗了動態(tài)網(wǎng)頁內(nèi)容的抓取方法，本文將實驗程序進行改寫，使用開源Python爬蟲規(guī)定的標準python內(nèi)容提取器，把代碼變得非常簡潔。
2，技術(shù)要點我們在多個文章說過本開源爬蟲的目的：節(jié)省程序員的時間。關(guān)鍵是省去編寫提取規(guī)則的時間，尤其調(diào)試規(guī)則很花時間，節(jié)省時間問題在《1分鐘快速生成用于網(wǎng)頁內(nèi)容提取的xslt》一文已經(jīng)有了解決方案，本文我們用京東網(wǎng)站作為測試目標，而電商網(wǎng)站都有很多動態(tài)內(nèi)容，比如，產(chǎn)品價格和評論數(shù)等等，往往采用后加載的方式，在html源文檔加載完成以后再執(zhí)行javascript代碼把動態(tài)內(nèi)容填寫上，所以，本案例主要驗證動態(tài)內(nèi)容的抓取。
另外，本文案例沒有使用GooSeeker爬蟲API，而是把MS謀數(shù)臺生成的xslt腳本程序保存在本地文件中，在程序運行的時候把文件讀出來注入到gsExtractor提取器。后續(xù)會有專門的案例演示 API的使用方法。
總之，本示例兩個技術(shù)要點總結(jié)如下：
從本地文件讀取xlst程序
把xlst注入到提取器gsExtractor中，利用xslt從網(wǎng)頁上一次提取性多個字段內(nèi)容。
# -*- coding:utf-8 -*-
# 爬取京東商品列表， 以手機商品列表為例
# 示例網(wǎng)址：http://list.jd.com/list.html?cat=9987,653,655&page=1&JL=6_0_0&ms=5
# crawler_jd_list.py
# 版本: V1.0
from urllib import request
from lxml import etree
from selenium import webdriver
from gooseeker import gsExtractor
import time
class Spider:
def __init__(self):
self.scrollpages = 0
self.waittime = 3
self.phantomjsPath = "C:phantomjs-2.1.1-windowsinphantomjs.exe"
def getContent(self, url):
browser = webdriver.PhantomJS( executable_path = self.phantomjsPath )
browser.get(url)
time.sleep(self.waittime)
html = browser.execute_script("return document.documentElement.outerHTML")
doc = etree.HTML(html)
jdlistExtra = gsExtractor()
jdlistExtra.setXsltFromFile("jd_list.xml")
output = jdlistExtra.extract(doc)
return output
def saveContent(self, filepath, content):
file_obj = open(filepath, "w", encoding="UTF-8")
file_obj.write(content)
file_obj.close()
url = "http://list.jd.com/list.html?cat=9987,653,655&page=1&JL=6_0_0&ms=5"
jdspider = Spider()
result = jdspider.getContent(url)
jdspider.saveContent("京東手機列表_1.xml", str(result))
源代碼下載位置請看文章末尾的GitHub源。
4，抓取結(jié)果運行上面的代碼，就會爬取京東手機品類頁面的所有手機型號、價格等信息，并保存到本地文件“京東手機列表_1.xml”中。我們用瀏覽器打開這個結(jié)果文件，會看到如下的內(nèi)容
1， Python即時網(wǎng)絡爬蟲項目: 內(nèi)容提取器的定義
6，集搜客GooSeeker開源代碼下載源1， GooSeeker開源Python網(wǎng)絡爬蟲GitHub源
7，文檔修改歷史1，2016-06-08：V1.0
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/45476.html
摘要：，實驗用的文件我們使用爬蟲實戰(zhàn)爬取京東商品列表一文的結(jié)果文件，爬蟲爬取的結(jié)果保存在京東手機列表文件中。，相關(guān)文檔，即時網(wǎng)絡爬蟲項目內(nèi)容提取器的定義，爬蟲實戰(zhàn)爬取京東商品列表，集搜客開源代碼下載源，開源網(wǎng)絡爬蟲源，文檔修改歷史，首次發(fā)布 showImg(https://segmentfault.com/img/bVyf6R); 1，引言 GooSeeker早在9年前就開始了Semanti...
摘要：，實驗用的文件我們使用爬蟲實戰(zhàn)爬取京東商品列表一文的結(jié)果文件，爬蟲爬取的結(jié)果保存在京東手機列表文件中。，相關(guān)文檔，即時網(wǎng)絡爬蟲項目內(nèi)容提取器的定義，爬蟲實戰(zhàn)爬取京東商品列表，集搜客開源代碼下載源，開源網(wǎng)絡爬蟲源，文檔修改歷史，首次發(fā)布 showImg(https://segmentfault.com/img/bVyf6R); 1，引言 GooSeeker早在9年前就開始了Semanti...
摘要：和前面幾節(jié)課類似的分析這節(jié)課就不做了，對于分頁，請求什么的，大家可以直接參考前面的四節(jié)課，這一刻主要特別的是，我們在采集商品的同時，會將京東的商品評價采集下來。 系列教程： 手把手教你寫電商爬蟲-第一課 找個軟柿子捏捏 手把手教你寫電商爬蟲-第二課 實戰(zhàn)尚妝網(wǎng)分頁商品采集爬蟲 手把手教你寫電商爬蟲-第三課 實戰(zhàn)尚妝網(wǎng)AJAX請求處理和內(nèi)容提取 手把手教你寫電商爬蟲-第四課 淘寶網(wǎng)商品爬...
摘要：和前面幾節(jié)課類似的分析這節(jié)課就不做了，對于分頁，請求什么的，大家可以直接參考前面的四節(jié)課，這一刻主要特別的是，我們在采集商品的同時，會將京東的商品評價采集下來。 系列教程： 手把手教你寫電商爬蟲-第一課 找個軟柿子捏捏 手把手教你寫電商爬蟲-第二課 實戰(zhàn)尚妝網(wǎng)分頁商品采集爬蟲 手把手教你寫電商爬蟲-第三課 實戰(zhàn)尚妝網(wǎng)AJAX請求處理和內(nèi)容提取 手把手教你寫電商爬蟲-第四課 淘寶網(wǎng)商品爬...
閱讀 485·2023-04-25 17:26
閱讀 1504·2021-08-05 09:58
閱讀 1970·2019-08-30 13:17
閱讀 953·2019-08-28 17:52
閱讀 1069·2019-08-26 18:27
閱讀 1424·2019-08-26 14:05
閱讀 3622·2019-08-26 14:05
閱讀 1597·2019-08-26 10:45
