Python scrapy框架爬取瓜子二手车信息数据

项目实施依赖：

python，scrapy ，fiddler

scrapy安装依赖的包：

可以到https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载 pywin32，lxml，Twisted，scrapy然后pip安装

项目实施开始：

1、创建scrapy项目：cmd中cd到需创建的文件目录下

scrapy startproject guazi

2、创建爬虫：cd到创建好的项目下

1 scrapy genspider gz guazi.com

3、分析目标网址：

第一次我直接用的谷歌浏览器的抓包分析，取得UA和Cookies请求，返回的html数据完全缺失，分析可能是携带的Cookies

有问题，然后就用fiddler抓包才，得到Cookies与谷歌上得到Cookies多了UA，时间等参数，

4、将UA，Cookies添加到下载中间中去：

1 class Guzi1DownloaderMiddleware(object):
2 def process_request(self, request, spider):
3 # 需要对得到的cookies处理成字典类型
4 request.cookies={}
5 request.headers["User-Agent"]=""

5、在settings中将DOWNLOADER_MIDDLEWARES打开

6、在spiders目录下找到gz.py开始编写爬虫逻辑处理

 1 import scrapy
 2 import time
 3 
 4 class GzSpider(scrapy.Spider):
 5 name = 'gz'
 6 allowed_domains = ['guazi.com']
 7 start_urls = ['https://www.guazi.com/cd/buy/0']
 8 
 9 def parse(self, response):
10 # 得到页面上所有车辆的url
11 url_list = response.xpath('//ul[@class="carlist clearfix js-top"]//li/a/@href').extract()
12 url_list = [response.urljoin(url) for url in url_list]
13 url_list = [url.replace("cq", "cd") for url in url_list]
14 for url in url_list:
15 yield scrapy.Request(url=url, callback=self.parse1, dont_filter=True)
16 
17 # 获取下一页的url
18 next_url = response.urljoin(response.xpath('//span[text()="下一页"]/../@href').extract_first())
19 if next_url:
20 yield scrapy.Request(url=next_url, callback=self.parse, dont_filter=True)
21 time.sleep(2)
22 
23 def parse1(self, response):
24 # 判断是否有数据
25 if response.xpath('//h2/text()').extract_first():
26 print(response.xpath('//h2/text()').extract_first().strip())
27 item = {}
28 item["车型"] = response.xpath('//h2/text()').extract_first().strip()
29 item["选车类型"] = response.xpath('//h2/span/text()').extract_first()
30 item["价格/万"] = response.xpath('//div[@class="pricebox js-disprice"]/span[1]/text()').extract_first().strip()
31 item["新车价格"] = response.xpath('//div[@class="pricebox js-disprice"]/span[2]/text()').extract_first().strip()
32 item["上牌时间"] = response.xpath('//ul[@class="basic-eleven clearfix"]/li[1]/div/text()').extract_first().strip()
33 item["公里数"] = response.xpath('//ul[@class="basic-eleven clearfix"]/li[2]/div/text()').extract_first().strip()
34 item["排量"] = response.xpath('//ul[@class="basic-eleven clearfix"]/li[3]/div/text()').extract_first().strip()
35 item["变速箱"] = response.xpath('//ul[@class="basic-eleven clearfix"]/li[4]/div/text()').extract_first().strip()
36 item["配置信息"] = response.xpath('//span[@class="type-gray"]//text()').extract()
37 item["网址"] = response.url
38 yield item

7、启动爬虫并保存为csv文件

scrapy crawl gz -o guanzi.csv

8、最后得到了想要的二手车信息，贴上部分截图

image

如果你对Python编程感兴趣，那么记得来小编的Python学习扣群：556370268，这里有资源共享，技术解答，大家可以在一起交流Python编程经验，还有小编整理的一份Python学习教程，希望能帮助大家更好的学习python。

image