Scrapy-爬取安智市场app详情

前言

本篇文章是利用Scrapy扒取安智市场的app详情页，如点击查看和平精英，包括app名、版本号、图标icon、分类、时间、大小、下载量、作者、简介、更新说明、软件截图、精彩内容等，扒取的图片资源icon和市场展示图（app截图）下载到本地，并将所有数据存储到数据库。

考虑的问题：

存储的数据库设计
图片资源链接存在重定向
下载app的图标需为.png后缀
…

需要先熟悉Scrapy框架的同学：点击学习

数据库设计

创建的为mysql数据库，名称为app_anzhigame，表名为games，安智市场的市场图限制为4-5张，简介等为1500字以内，图片均为相对地址

# 建库
CREATE DATABASE app_anzhigame CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci;USE app_anzhigame;
DROP TABLE games;# 建表
CREATE TABLE games(id INTEGER(11)  UNSIGNED AUTO_INCREMENT COLLATE utf8mb4_general_ci,name VARCHAR(20) NOT NULL COLLATE utf8mb4_general_ci COMMENT '游戏名' ,versionCode VARCHAR(10) COLLATE utf8mb4_general_ci COMMENT '版本号' NOT NULL DEFAULT 'v1.0',icon VARCHAR(100) COLLATE utf8mb4_general_ci COMMENT '游戏图标icon' NOT NULL DEFAULT '',type VARCHAR(20) COLLATE utf8mb4_general_ci COMMENT '分类' NOT NULL DEFAULT '',onlineTime VARCHAR(20) COLLATE utf8mb4_general_ci COMMENT '上线时间',size VARCHAR(10) COLLATE utf8mb4_general_ci COMMENT '大小' NOT NULL DEFAULT '0B',download VARCHAR(10) COLLATE utf8mb4_general_ci COMMENT '下载量' NOT NULL DEFAULT '0',author VARCHAR(20) COLLATE utf8mb4_general_ci COMMENT '作者',intro VARCHAR(1500) COLLATE utf8mb4_general_ci COMMENT '简介',updateInfo VARCHAR(1500) COLLATE utf8mb4_general_ci COMMENT '更新说明',highlight VARCHAR(1500) COLLATE utf8mb4_general_ci COMMENT '精彩内容',image1 VARCHAR(100) COLLATE utf8mb4_general_ci COMMENT '市场图1',image2 VARCHAR(100) COLLATE utf8mb4_general_ci COMMENT '市场图2',image3 VARCHAR(100) COLLATE utf8mb4_general_ci COMMENT '市场图3',image4 VARCHAR(100) COLLATE utf8mb4_general_ci COMMENT '市场图4',image5 VARCHAR(100) COLLATE utf8mb4_general_ci COMMENT '市场图5',link VARCHAR(200) COLLATE utf8mb4_general_ci COMMENT '爬取链接',create_time timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',update_time timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE current_timestamp COMMENT '更新时间',PRIMARY KEY (`id`)
)ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci COMMENT '安智市场爬取游戏列表';

创建item

创建项目scrapy startproject anzhispider，修改items.py

class AnzhispiderItem(scrapy.Item):# define the fields for your item here like:# name = scrapy.Field()# 链接地址link = scrapy.Field()# app名称name = scrapy.Field()# 版本号versionCode = scrapy.Field()# 游戏图标iconicon = scrapy.Field()# icon存储地址iconPath = scrapy.Field()# 分类type = scrapy.Field()# 上线时间onlineTime = scrapy.Field()# 大小size = scrapy.Field()# 下载量download = scrapy.Field()# 作者author = scrapy.Field()# 简介intro = scrapy.Field()# 更新说明updateInfo = scrapy.Field()# 精彩内容highlight = scrapy.Field()# 市场图  字符数组images = scrapy.Field()# 市场图存储地址imagePaths = scrapy.Field()

创建Spider

在spiders目录下创建AnzhiSpider.py，并创建class AnzhiSpider，继承于scrapy.Spider。

class AnzhiSpider(Spider):name = "AnzhiSpider"# 允许访问的域allowed_domains = ["www.anzhi.com"]start_urls = ["http://www.anzhi.com/pkg/3d81_com.tencent.tmgp.pubgmhd.html"]# start_urls = ["http://www.anzhi.com/pkg/3d81_com.tencent.tmgp.pubgmhd.html","http://www.anzhi.com/pkg/84bf_com.sxiaoao.feijidazhan.html","http://www.anzhi.com/pkg/4f41_com.tencent.tmgp.WePop.html"]def parse(self, response):item = AnzhispiderItem()root = response.xpath('.//div[@class="content_left"]')# 链接item['link'] = response.url# 图标item['icon'] = root.xpath('.//div[@class="app_detail"]/div[@class="detail_icon"]/img/@src').extract()[0]# app名称item['name'] = root.xpath('.//div[@class="app_detail"]/div[@class="detail_description"]/div[@class="detail_line"]/h3/text()').extract()[0]# 版本号item['versionCode'] = root.xpath('.//div[@class="app_detail"]/div[@class="detail_description"]/div[@class="detail_line"]/span[@class="app_detail_version"]/text()').extract()[0]if item['versionCode'] and item['versionCode'].startswith("(") and item['versionCode'].endswith(")"):item['versionCode'] = item['versionCode'][1:-1]# 分类、上线时间、大小、下载量、作者  先获取所有的详情details = root.xpath('.//div[@class="app_detail"]/div[@class="detail_description"]/ul[@id="detail_line_ul"]/li/text()').extract()details_right = root.xpath('.//div[@class="app_detail"]/div[@class="detail_description"]/ul[@id="detail_line_ul"]/li/span/text()').extract()details.extend(details_right)for detailItem in details:if detailItem.startswith("分类："):item['type'] = detailItem[3:]continueif detailItem.startswith("时间："):item['onlineTime'] = detailItem[3:]continueif detailItem.startswith("大小："):item['size'] = detailItem[3:]continueif detailItem.startswith("下载："):item['download'] = detailItem[3:]continueif detailItem.startswith("作者："):item['author'] = detailItem[3:]continue# 简介item['intro'] = root.xpath('.//div[@class="app_detail_list"][contains(./div[@class="app_detail_title"],"简介")]/div[@class="app_detail_infor"]').extract()if item['intro']:item['intro'] = item['intro'][0].replace('\t', '').replace('\n', '').replace('\r', '')else:item['intro'] = ""# 更新说明item['updateInfo'] = root.xpath('.//div[@class="app_detail_list"][contains(./div[@class="app_detail_title"],"更新说明")]/div[@class="app_detail_infor"]').extract()if item['updateInfo']:item['updateInfo'] = item['updateInfo'][0].replace('\t', '').replace('\n', '').replace('\r', '')else:item['updateInfo'] = ""# 精彩内容item['highlight'] = root.xpath('.//div[@class="app_detail_list"][contains(./div[@class="app_detail_title"],"精彩内容")]/div[@class="app_detail_infor"]').extract()if item['highlight']:item['highlight'] = item['highlight'][0].replace('\t', '').replace('\n', '').replace('\r', '')else:item['highlight'] = ""# 市场图地址item['images'] = root.xpath('.//div[@class="app_detail_list"][contains(./div[@class="app_detail_title"],"软件截图")]//ul/li/img/@src').extract()yield item

下载icon和市场图

创建ImageResPipeline并继承于from scrapy.pipelines.files import FilesPipeline，不用ImagesPipeline的原因可以查看ImagesPipeline官网的解释，它的主要功能为：

将所有下载的图片转换成通用的格式（JPG）和模式（RGB）
避免重新下载最近已经下载过的图片
缩略图生成
检测图像的宽/高，确保它们满足最小限制

划重点下载的图片为jpg格式，小编需要下载icon为png格式的，需要图标为无背景的，采用ImagesPipeline图片就算进行类型转换还是不能去掉背景，这样会导致圆角的图标空缺被白色补满。

class ImageResPipeline(FilesPipeline):def get_media_requests(self, item, info):'''根据文件的url发送请求（url跟进）:param item::param info::return:'''# 根据index区分是icon图片还是市场图yield scrapy.Request(url='http://www.anzhi.com' + item['icon'], meta={'item': item, 'index': 0})# 市场图下载for i in range(0, len(item['images'])):yield scrapy.Request(url='http://www.anzhi.com' + item['images'][i], meta={'item': item, 'index': (i + 1)})def file_path(self, request, response=None, info=None):'''自定义文件保存路径默认的保存路径是在FILES_STORE下创建的一个full来存放，如果我们想要直接在FILES_STORE下存放或者日期路径，则需要自定义存放路径。默认下载的是无后缀的文件，根据index区分，icon需要增加.png后缀，市场图增加.jpg后缀:param request::param response::param info::return:'''item = request.meta['item']index = request.meta['index']today = str(datetime.date.today())# 定义在FILES_STORE下的存放路径为YYYY/MM/dd/app名称，如2019/11/28/和平精英outDir = today[0:4] + r"\\" + today[5:7] + r"\\" + today[8:] + r"\\" + item['name'] + r"\\"if index > 0:# index>0为市场图 命名为[index].jpg  注意：以数字命名的文件要转换成字符串，否则下载失败，不会报具体原因！！！file_name = outDir + str(index) + ".jpg"else:# index==0为icon下载，需采用png格式合适file_name = outDir + "icon.png"# 输出的文件已存在就删除if os.path.exists(FILES_STORE + outDir) and os.path.exists(FILES_STORE + file_name):os.remove(FILES_STORE + file_name)return file_namedef item_completed(self, results, item, info):'''处理请求结果:param results::param item::param info::return:''''''results的格式为：[(True,{'checksum': '2b00042f7481c7b056c4b410d28f33cf','path': 'full/7d97e98f8af710c7e7fe703abc8f639e0ee507c4.jpg','url': 'http://www.example.com/images/product1.jpg'}),(True,{'checksum': 'b9628c4ab9b595f72f280b90c4fd093d','path': 'full/1ca5879492b8fd606df1964ea3c1e2f4520f076f.jpg','url': 'http://www.example.com/images/product2.jpg'}),(False,Failure(...))]'''file_paths = [x['path'] for ok, x in results if ok]if not file_paths:raise DropItem("Item contains no files")for file_path in file_paths:if file_path.endswith("png"):# icon的图片地址赋值给iconPathitem['iconPath'] = FILES_STORE + file_pathelse:# 市场图的地址给imagePaths 不存在属性就创建空数组if 'imagePaths' not in item:item['imagePaths'] = []item['imagePaths'].append(FILES_STORE + file_path)return item

数据库存储

连接mysql采用的PyMySQL==0.9.2，小编新建了一个工具类存放，插入、更新、删除语句调用update(self, sql)，查询语句调用query(self, sql)，

class MySQLHelper:def __init__(self):passdef query(self, sql):# 打开数据库连接db = self.conn()# 使用cursor()方法获取操作游标cur = db.cursor()# 1.查询操作# 编写sql 查询语句  user 对应我的表名# sql = "select * from user"try:cur.execute(sql)  # 执行sql语句results = cur.fetchall()  # 获取查询的所有记录return resultsexcept Exception as e:thread_logger.debug('[mysql]：{} \n\tError SQL： {}'.format(e, sql))raise efinally:self.close(db)  # 关闭连接def update(self, sql):# 2.插入操作db = self.conn()# 使用cursor()方法获取操作游标cur = db.cursor()try:data = cur.execute(sql)# 提交data1 = db.commit()return Trueexcept Exception as e:thread_logger.debug('[mysql]：{} \n\tError SQL： {}'.format(e, sql))# 错误回滚db.rollback()return Falsefinally:self.close(db)# 建立链接def conn(self):db = pymysql.connect(host="192.168.20.202", user="***",password="****", db="app_anzhigame", port=3306, use_unicode=True, charset="utf8mb4")return db# 关闭def close(self, db):db.close()

更改AnzhispiderPipeline，插入数据，部分数据有默认值处理，

class AnzhispiderPipeline(object):"""数据库存储"""def __init__(self):# 打开数据库链接self.mysqlHelper = MySQLHelper()def process_item(self, item, spider):# 数据库存储的sqlsql = "INSERT INTO games(link,name,versionCode,icon,type,onlineTime,size,download,author,intro,updateInfo,highlight,image1,image2,image3,image4,image5) " \"VALUES ('%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s','%s')" % (item['link'], item['name'], parseProperty(item, "versionCode", "v1.0"),parseProperty(item, "iconPath", ""), parseProperty(item, "type", ""),parseProperty(item, "onlineTime", ""), parseProperty(item, "size", "0B"),parseProperty(item, "download", "0"), parseProperty(item, "author", "未知"),parseProperty(item, "intro", "无"), parseProperty(item, "updateInfo", "无"),parseProperty(item, "highlight", "无"), parseImageList(item, 0), parseImageList(item, 1),parseImageList(item, 2), parseImageList(item, 3), parseImageList(item, 4))# 插入数据self.mysqlHelper.update(sql)return item

def parseProperty(item, property, defaultValue)为自定义的方法，用于判空获取默认值，def parseImageList(item, index)用于获取市场图，

def parseProperty(item, property, defaultValue):"""判断对象的对应属性是否为空 为空就返回默认值:param item: 对象:param property: 属性名称:param defaultValue: 默认值"""if property in item and item[property]:return item[property]else:return defaultValuedef parseImageList(item, index):"""返回市场图地址:param item::param index::return:"""if "imagePaths" in item and item["imagePaths"]:# 有图片# 获取数组大小if len(item["imagePaths"]) >= index + 1:return item["imagePaths"][index]else:return ""else:return ""

配置settings.py

注意增加FILES_STORE用于存储文件下载的路径，MEDIA_ALLOW_REDIRECTS为允许图片重定向，因为安智的图片链接为重定向的，不设置会下载失败。

# 文件下载地址
FILES_STORE = ".\\anzhigames\\"# 是否允许重定向(可选)
MEDIA_ALLOW_REDIRECTS = True

配置pipelines，注意ImageResPipeline的数值需要比AnzhispiderPipeline小，数值范围为0-1000，越小优先级越高。

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {'anzhispider.pipelines.AnzhispiderPipeline': 300,'anzhispider.pipelines.ImageResPipeline': 11,
}

至此。结束。scrapy crawl AnzhiSpider运行，收工。项目下.\\anzhigames\\生成了图片，

数据库存储情况

需要项目源码，点击原文链接