Python爬虫之一 PySpider 抓取淘宝MM的个人信息和图片

ySpider 是一个非常方便并且功能强大的爬虫框架，支持多线程爬取、JS动态解析，提供了可操作界面、出错重试、定时爬取等等的功能，使用非常人性化。

本篇通过做一个PySpider 项目，来理解 PySpider 的运行流程。

PySpider具体安装参照：http://www.cnblogs.com/shaosks/p/6840039.html

本篇目标

1.抓取淘宝MM的姓名，头像，年龄

2.抓取每一个MM的资料简介以及写真图片

3.把每一个MM的写真图片按照文件夹保存到本地

4.熟悉文件保存的过程

1.URL的格式

在这里我们用到的URL是 http://mm.taobao.com/json/request_top_list.htm?page=1，问号前面是基地址，后面的参数page是代表第几页，可以随意更换地址。点击开之后，会发现有一些淘宝MM的简介，并附有超链接链接到个人详情页面。

我们需要抓取本页面的头像地址，MM姓名，MM年龄，MM居住地，以及MM的个人详情页面地址。

2.抓取过程

　　1、首先在命令行下运行pyspider all命令：

　　2、接下来在浏览器中输入 http://localhost:5000，可以看到 PySpider 的主界面，点击右下角的 Create，命名为 spider_taobaomm，当然名称你可以随意取，继续点击 Create。

　　接着修改代码。

　　依然是上一节的那个网址，https://mm.taobao.com/json/request_top_list.htm?page=1，其中 page 参数代表页码。所以我们暂时抓取前 5 页。页码到最后可以随意调整。

首先我们定义基地址，然后定义爬取的页码和总页码。

　　代码如下：

 1 #!/usr/bin/env python
 2 # -*- encoding: utf-8 -*-
 3 # Created on 2017-05-16 13:57:04
 4 # Project: spider_taobaomm
 5 
 6 from pyspider.libs.base_handler import *
 7 
 8 
 9 class Handler(BaseHandler):
10     crawl_config = {
11     }
12     def __init__(self):
13         self.base_url = 'https://mm.taobao.com/json/request_top_list.htm?page='
14         self.page_num = 1
15         self.total_num = 5
16         
17     @every(minutes=24 * 60)
18     def on_start(self):
19         while self.page_num <= self.total_num:
20             url = self.base_url + str(self.page_num)
21             self.crawl(url, callback=self.index_page)
22             self.page_num += 1
23 
24     @config(age=10 * 24 * 60 * 60)
25     def index_page(self, response):
26         for each in response.doc('a[href^="http"]').items():
27             self.crawl(each.attr.href, callback=self.detail_page)
28 
29     @config(priority=2)
30     def detail_page(self, response):
31         return {
32             "url": response.url,
33             "title": response.doc('title').text(),
34         }

　　点击保存按钮保存代码：

　　点击“run"按钮

　　这样就找到5条记录，点击“follows”

　　选择一条记录，点击右边的三角按钮

　　出现错误如下：

　　针对这个错误，参照：http://www.cnblogs.com/shaosks/p/6856086.html

　　实际上就是在on_start方法的self.crawl里面增加,validate_cert=False

　　然后保存代码再重新执行，成功

　　点击之后，再查看下方的 web 页面，可以预览实时页面，这个页面被我们爬取了下来，并且回调到 index_page 函数来处理，

　　目前 index_page 函数我们还没有处理，所以是继续构建了所有的链接请求。

　　点击下面的html出现：

　　爬取到了 MM 的列表，接下来就要进入到 MM 详情页了，修改 index_page 方法。

　　我们继续点击 run 按钮，开始下一个页面的爬取。得到的结果是这样的。

　　有些页面没有加载出来，这是为什么？这个页面比较特殊，右边的页面使用 JS 渲染生成的，而普通的抓取是不能得到 JS 渲染后的页面的，幸运的是，PySpider 提供了动态解析 JS 的机制。

　　这时要用到PhantomJS了。在最开始运行 PySpider 的时候，使用了pyspider all命令，这个命令是把 PySpider 所有的组件启动起来，其中也包括 PhantomJS。

　　所以修改代码如下：

@config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
         for each in response.doc('.lady-name').items():
            self.crawl(each.attr.href, callback=self.detail_page,fetch_type='js',validate_cert=False)

　　保存代码，重新运行，结果如下：

　　好，继续修改 detail_page 方法，然后增加一个 domain_page 方法，用来处理每个 MM 的个性域名。