一、序言
大家好，我是小龙。今天我们不谈Java相关技术，想和大家分享一波我大学比赛时做项目使用的一个爬虫。
事情是这样的：
比赛项目有一个关于电商的模块，奈何没有数据，然后打算爬取京东，淘宝pc端数据，但是有些图片放在手机端尺寸不符合，综合考虑，决定爬取京东手机端网页数据
相关链接：
我的项目《基于人工智能的智慧校园助手v1.0.1》部分功能展示
https://www.bilibili.com/video/BV1XT4y1w7Xc
《京东商城》
https://so.m.jd.com/webportal/channel/m_category?searchFrom=home
我们先看看最后部分数据截图吧，对啦，爬取的数据全部保存为了json数据，方便各处使用。
最后得到了几十万条数据，然后全部导入了ElasticSearch构建了强大的搜索系统与推荐中心。
在此期间，遇到很多问题，也学到很多新知识。我认为，不是你主要从事Java就只会Java相关，语言只是工具，是为了方便我们自身，所以具体应用场景使用什么方便就怎么来吧。当然，Java也可以爬虫，但是我个人感觉没有python强大与方便。
本文记录了我整个过程的所思所想，从开始到结束所有想法思路的产生与遇到的各种问题，然后是怎样去解决问题的以及自己的一些看法与总结，希望给读者带来新的理解与感悟（无论是从技术还是解决问题的思路），补充一句：小龙python也不太会，若有不足，欢迎大家留言指正，也可以技术交流大家一起学习讨论进步。
废话不多说，跟着小龙的思路，一步一步来看看吧！！
二、数据库设计
分类信息表(product_category)
CREATE TABLE product_category(
category_id SMALLINT UNSIGNED AUTO_INCREMENT NOT NULL COMMENT '分类ID',
category_name VARCHAR(10) NOT NULL COMMENT '分类名称',
img VARCHAR(100) NOT NULL COMMENT '分类图片logo',
parent_id SMALLINT UNSIGNED NOT NULL DEFAULT 0 COMMENT '父分类ID--若为0则该层为父类',
category_level TINYINT NOT NULL DEFAULT 1 COMMENT '分类层级--该层为该分类第几层',
category_status TINYINT NOT NULL DEFAULT 1 COMMENT '分类状态--是否还可继续往下分，是1否0',
PRIMARY KEY pk_categoryid(category_id)
)ENGINE=innodb COMMENT '商品分类表'
商品信息表(product_info)
CREATE TABLE product_info(
sku_id INT UNSIGNED AUTO_INCREMENT NOT NULL COMMENT '商品ID',
product_name VARCHAR(20) NOT NULL COMMENT '商品名称',
category_id1 SMALLINT UNSIGNED NOT NULL COMMENT '一级分类ID',
category_id2 SMALLINT UNSIGNED NOT NULL COMMENT '二级分类ID',
category_id3 SMALLINT UNSIGNED NOT NULL COMMENT '三级分类ID',
price FLOAT NOT NULL COMMENT '商品销售价格',
publish_status TINYINT NOT NULL DEFAULT 0 COMMENT '上下架状态：0下架1上架',
descript VARCHAR(100) NOT NULL COMMENT '商品描述',
spec_param VARCHAR(10000) NOT NULL COMMENT '商品规格参数',
title VARCHAR(100) NOT NULL COMMENT '商品标题',
PRIMARY KEY pk_productid(product_id)
) ENGINE = innodb COMMENT '商品信息表';
商品图片表(productpicinfo)
CREATE TABLE product_pic_info(
product_pic_id INT UNSIGNED AUTO_INCREMENT NOT NULL COMMENT '商品图片ID',
product_id INT UNSIGNED NOT NULL COMMENT '商品ID',
pic_desc VARCHAR(50) COMMENT '图片描述',
pic_url VARCHAR(200) NOT NULL COMMENT '图片URL',
is_master TINYINT NOT NULL DEFAULT 0 COMMENT '是否主图：0.非主图1.主图',
pic_status TINYINT NOT NULL DEFAULT 1 COMMENT '图片是否有效：0无效 1有效',
PRIMARY KEY pk_picid(product_pic_id)
)ENGINE=innodb COMMENT '商品图片信息表';
三、分析
3.1、页面分析
每个大类下又分多个2级与3级分类
3.2、页面元素审查
解决：
1.实现思路
第一层获取category1（手机数码，家用电器…），第二层爬取categeoy2(热门分类，手机通讯…),第三层爬取categeoy3(小米，华为，荣耀…)
2.数据请求
网页用ajaxs请求数据每选择一次category1,下层数据重新加载一次，所以选取 selenium模拟浏览器自动爬取。
# 总枢纽，控制每一级分类，详情爬取
def spider(driver):
# 得到ul列表
# 显示等待
wait(driver, '//*[@id="category2"]//li')
html = etree.HTML(driver.page_source)
lis = html.xpath('//*[@id="category2"]//li')
# 解析每个li标签
# or
for i, li in enumerate(lis):
# 分类太多，爬取时间太长，选取有用类爬取
if ( i == 1 or i == 3 or i == 8 or i == 26):
# 保存一级分类
category_id1 = li.xpath('./@id')[0]
category_name1 = li.xpath('.//text()')[0]
category_level1 = 1
category_status1 = 1
parent_id1 = 0
# path = 'category%s' %str(i+6)
path = '//*[@id="category%s"]/a' % str(i+6)
# driver.find_element_by_xpath('//*[@id="category18"]/a').click()
# time.sleep(2)
# driver.find_element_by_xpath('//*[@id="category27"]/a').click()
# time.sleep(2)
item = driver.find_element_by_xpath(path)
item.click()
time.sleep(3)
phone_html = etree.HTML(driver.page_source)
branchList = phone_html.xpath('//*[@id="branchList"]/div')
for j, item in enumerate(branchList):
# 一个item就是一个div
# 获取二级分类
print(j)
if(i == 14 and j == 0):
continue
category_name2 = (item.xpath('./h4/text()'))[0]
category_id2 = 'SecCategory'+str(category_id1).split('y')[1]
category_level2 = 2
category_status2 = 1
parent_id2 = category_id1
lis = item.xpath('./ul/li')
for k, li in enumerate(lis):
#这是由于数据太多，我控制category3只要6个就够了
if(k>5):
break
category_id3 = (li.xpath('./a/@id'))[0]
img = li.xpath('./a/img/@src')[0]
href = li.xpath('./a/@href')[0]
# 解析详情页
# ****detail(page_source)****
category_name3 = (li.xpath('.//span/text()'))[0]
category_level3 = 3
category_status3 = 0
parent_id3 = category_id2
print("进入第%s页爬取......" % (k+1))
detail_href = li.xpath('./a/@href')[0]
# 打开商品详情页，另开窗口
driver.execute_script("window.open ('%s')" % detail_href)
driver.switch_to.window(driver.window_handles[1])
time.sleep(2)
flag = isElementExist(driver, '//*[@id="pcprompt-viewpc"]')
if flag:
start = driver.find_element_by_xpath('//*[@id="pcprompt-viewpc"]')
start.click()
print('开始爬取第三级分类商品.....')
# driver.execute_script("arguments[0].click();", li)
# start = time.clock()
# 爬取详情信息
getList(driver, category_id1, category_id2, category_id3)
# end = time.clock()
print("爬取第三级分类商品完成.....")
driver.close()
driver.switch_to.window(driver.window_handles[0])
# 解析详情页
# time.sleep(2)
# 三级
category3 = {
"category_id": category_id3,
"category_name": category_name3,
"category_level": category_level3,
'category_status': category_status3,
"parent_id": parent_id3,
'img': img,
'href': href
}
list.append(category3)
# 二级
category2 = {
"category_id": category_id2,
"category_name": category_name2,
"category_level": category_level2,
'category_status': category_status2,
"parent_id": parent_id2
}
list.append(category2)
# 一级
category1 = {
"category_id": category_id1,
"category_name": category_name1,
"category_level": category_level1,
'category_status': category_status1,
"parent_id": parent_id1
}
list.append(category1)
with open('categoryList.json', 'w', encoding='utf-8') as fp:
json.dump(list, fp, ensure_ascii=False)
3.弹窗问题
由于我开始进入该网站，它跳一个弹窗（类似我下面图）出来覆盖页面，无法用selenium进行页面元素获取并点击，然后又有些时候又没得，郁闷，于是，我加了一个函数判断它究竟有没得
# 判断某元素是否存在
def isElementExist(driver, path):
flag = True
try:
driver.find_element_by_xpath(path)
return flag
except:
flag = False
return flag
4.获取categoryList
分析页面。找到需要的相关信息、
category[
category3 = {
“category_id”: category_id3,
“category_name”: category_name3,
“category_level”: category_level3,
‘category_status’: category_status3,
“parent_id”: parent_id3,
‘img’: img,
‘href’: href
}
]
经过分析，发现三级分类商品a标签超链接即是进去商品列表的入口，通过href进入goods_list。
for k, li in enumerate(lis):
if(k>5):
break
category_id3 = (li.xpath('./a/@id'))[0]
img = li.xpath('./a/img/@src')[0]
href = li.xpath('./a/@href')[0]
# 解析详情页
# ****detail(page_source)****
category_name3 = (li.xpath('.//span/text()'))[0]
category_level3 = 3
category_status3 = 0
parent_id3 = category_id2
print("进入第%s页爬取......" % (k+1))
detail_href = li.xpath('./a/@href')[0]
driver.execute_script("window.open ('%s')" % detail_href)
driver.switch_to.window(driver.window_handles[1])
time.sleep(2)
flag = isElementExist(driver, '//*[@id="pcprompt-viewpc"]')
if flag:
start = driver.find_element_by_xpath('//*[@id="pcprompt-viewpc"]')
start.click()
print('开始爬取第三级分类商品.....')
# driver.execute_script("arguments[0].click();", li)
# start = time.clock()
getList(driver, category_id1, category_id2, category_id3)
# end = time.clock()
print("爬取第三级分类商品完成.....")
5.进入category4列表
分析页面，找到相关信息 我们需要他的
{
skuid
price
title
url
img 图片到详情页与海报图一起获取
}
经分析发现用他的超链接–tourl要重定向到pc端页面
于是又经分析每个商品进入的地址
1）https://item.m.jd.com/product/100004559325.html?sku=100004559325&price=1599.00&fs=1&sid=&sf=newM&sceneval=2&pos=1&csid=5e01c492804b348d18864f64a9d55e52_1583067332315_1_1583067332316&ss_symbol=10&ss_mtest=m-list-none,~&key=
2）https://item.m.jd.com/product/100008348542.html?sku=100008348542&price=5999.00&fs=1&sid=&sf=newM&sceneval=2&pos=2&csid=5e01c492804b348d18864f64a9d55e52_1583067332315_1_1583067332316&ss_symbol=10&ss_mtest=m-list-none,~&key=
。。。。。。。
发现每个链接就只有他的skuid,和price不一样，可以一试，但是偶尔又有其他小变化，我觉得很麻烦，于是，经研究js与链接 提取出一个
通用地址https://item.m.jd.com/product/（skuid）.html?m2wq_ismiao=1。那么只要我得到他的skuid就可以顺利进入他的详情页。
收集sku部分数据code：
print('开始爬取商品详情页.....')
loadPage(driver, 1)
html = etree.HTML(driver.page_source)
wait(driver, "//*[@id='itemList']/div[@class='search_prolist_item']//div[@class='search_prolist_price']//span")
divs = html.xpath("//*[@id='itemList']/div[@class='search_prolist_item']")
skus = []
for i, div in enumerate(divs):
try:
skuid = div.xpath('./@skuid')[0]
except:
skuid = 0
try:
title = div.xpath(".//div[@class='search_prolist_title']/text()")[0].strip()
except:
title = ""
try:
price = div.xpath(".//div[@class='search_prolist_price']//span/text()")[0].strip()
except:
price = 0
# 这是当时写了个判断，但是出错，又嫌代码缩进不好处理，就改了个1
if (1):
sku = {
'skuid': skuid,
'title': title,
'price': price,
"category_id1": category_id1,
'category_id2': category_id2,
'category_id3': category_id3,
'url': "https://item.m.jd.com/product/%s.html?m2wq_ismiao=1" % skuid,
}
skus.append(sku)
sku = {
‘skuid’: skuid,
‘title’: title,
‘price’: price,
“category_id1”: category_id1,
‘category_id2’: category_id2,
‘category_id3’: category_id3,
‘url’: “https://item.m.jd.com/product/%s.html?m2wq_ismiao=1” % skuid,
}
3.3、详情页解析
获取商品轮播图，商品海报图，商品铺信息，商品介绍，规格参数
1、解析图片（商品轮播图，海报图）
图片的id由于它没有提供，而且简单重复，于是，我在以他图片名字结尾作为id，那么现在自己封装函数解析img_id。
解析img_id code：
# 根据图片地址截取图片名称划取img的id（主键）
def splitImgId(src):
img_id = ''
list = src.split('/')
for i, li in enumerate(list):
if(li.find('.jpg', 0, len(li)) !=-1 or li.find('.png', 0, len(li)) != -1):
for key in li:
if(key == '.'):
break
img_id = img_id + key
return img_id
获取商品海报图–商品介绍：
注：这个太挫了，找了多久也没见它图片在哪里渲染上去的，后来还是终于被我发现他是在style上拿的url
获取URL
那么接下来自己封装个函数得到他的background-url：
# 获取海报图imgList
def HB(html, driver):
imgs = []
img = ''
wait(driver, '//*[@id="detail"]')
style = str(html.xpath('//*[@id="commDesc"]/style/text()'))
style = style.split('background-image:url(')
for item in style:
for i, key in enumerate(item):
if (item[0] == '/' and item[1] == '/'):
if (item[i] == ')'):
if (img != ''):
imgs.append(img)
img = ''
break
img = img + item[i]
return imgs
解析图片code：
# 1.解析图片（包括商品的轮播图，海报图）
def detail_img(html, goods_id, driver):
# 解析商品轮播图
imgs = []
flag = wait(driver, '//*[@id="loopImgUl"]/li')
if(flag == 1):
return imgs
lis = html.xpath('//*[@id="loopImgUl"]/li')
product_id = goods_id
is_master = 0
for i, li in enumerate(lis):
pic_url = li.xpath('./img/@src')[0]
product_pic_id = splitImgId(pic_url)
pic_desc = '商品轮播图'
pic_status = 1
# 主图，爬取的第一个为
if (i == 0):
is_master = 1
img = {
'product_id': product_id,
'is_master': is_master,
'pic_url': pic_url,
'pic_status': pic_status,
'product_pic_id': product_pic_id
}
imgs.append(img)
# 解析商品海报图
for item in HB(html, driver):
pic_url = item
product_pic_id = splitImgId(item)
pic_status = 1
pic_desc = "商品海报图"
img = {
'product_id': product_id,
'is_master': is_master,
'pic_url': pic_url,
'pic_status': pic_status,
'product_pic_id': product_pic_id
}
imgs.append(img)
return imgs
2、获取商铺信息
这个没有啥说头，简单，唯一就是在实践中发现有一些没得店铺得，会导致程序出错.
于是我加了一个显示等待,等他20s，没找到那个商铺得元素则说明可能不是网速原因，是没有这个店铺
shop = {}
# 显示等待---封装函数
flag = wait(driver, '//*[@id="shopBaseInfo"]/div[2]/p[1]')
if(flag == 1):
return shop
try:
img = html.xpath('//*[@id="shopLogoInfo"]/span/img/@src')[0]
shop_name = html.xpath('//*[@id="shopInfo"]/p/span/text()')[0]
fan = html.xpath('//*[@id="shopBaseInfo"]/div[1]/p[1]/text()')[0]
goods_num = html.xpath('//*[@id="shopBaseInfo"]/div[2]/p[1]/text()')[0]
except:
return {}
shop = {
'img': img,
'shop_name': shop_name,
3、获取规格参数
这个也没说头，就是把他数据保存就是，一般不遇到错，不过可以加一个捕获异常
# 有问题，就返回空字符串，程序继续执行
try:
specification = {
'specification': spec_param(driver)}
except:
specification = {
'specification': ''}
try:
sub_title = {
'sub_title': html.xpath('//*[@id="itemName"]/text()')[0]}
except:
sub_title = {
'sub_title': ''}
剩下就是把解析得到得数据进行整合处理，保存，这就不过多介绍了。
四、部分成果展示
1.我category1一级分类只选了5个大类，每个3级分类只抓了14个商品用了7个多小时，深深体会了这痛苦，开始只想快点抓到数据，没考虑代码写的好规范。
结果出现很多漏洞，额外反而花了很多时间，接下来项目做完决定优化一下代码，考虑用多线程爬取估计最多1.5个小时就可以爬完。
2.虽然这段代码我从分析，写，改bug，运行，又错又改花了3天吃了很多苦头，但是最终还是成功了。
学到很多，若有缘发现这篇，有哪里可以更好解决，还请多多指教。一起进步。。。。
以上就是今天想分享的内容，哈哈！我也知道有不足，还希望大家不要介意。
有问题或则想要这个脚本的可以后台联系或则加我，也可以进技术交流群，大家一起讨论学习。
加油加油！！明天的你肯定会感谢今天努力拼搏的你哟！！
五、下集预告
哈哈，由于之前也有很多粉丝私信我想要我大学比赛的项目（中国计算机设计大赛国家一等奖，华为鲲鹏大赛一等奖），同时也是我秋招实习的主打项目之一。
本想之前抽空给大家分享介绍一下，但是最近一直忙于做项目，没空，打算下期给大家分享一波。。
本想之前抽空给大家分享介绍一下，但是最近一直忙于做项目，没空，打算下期给大家分享一波。。
项目部分截图：
需要项目或则python脚本的，可以关注公众号后台回复【jd_spider】【基于人工智能的智慧校园助手】
最后觉得这篇文章不错的同学，一定要记得给小龙转发、再看、分享给更多同学哟！
你好，我是小龙，一位末流二本成功逆袭BAT的萌新程序员。
公众号：旨在帮大家完美逆袭BAT的原创技术号。专注于分享JAVA技术、MySQL、Redis、分布式、计网、OS等；这里不仅有大厂面试题详解、大厂内推，还有【二本逆袭BAT经验】与号主秋招历经几十场大中厂面试总结提炼的【面试笔记】分享。以及号主的一些【投资之道】与【副业之法】！
关注公众号，和小龙一起探索更多精彩。现在关注，后台回复【大厂面试】领取【精品面试笔记】助你冲击大厂！！，回复【基于人工智能的智慧校园助手】领取号主秋招面试精品项目。
往期精彩回顾: