使用Python爬虫抓取华为商城图片和文字实验丨【我的华为云体验之旅】

今天继续体验华为云的沙箱，在一堆的沙盒中选择了一个感性的爬虫抓取，实验的目的可能不仅仅是抓取的代码，主要还是体验下华为云的使用，目标是明确的，开始吧

1、准备环境

体验地址：https://lab.huaweicloud.com/testdetail_468

登陆华为云

如果曾经用过沙箱，我想着一步都是通用的，只要按照实验手册操作，登陆进去就可以了

创建云数据库RDS

创建云数据库的目的是为了保存爬取的数据，毕竟不能只是放在内存中，也是为了体验云数据库。

在已登录的华为云控制台，展开左侧菜单栏，点击“服务列表”->“数据库”->“云数据库 RDS”进入云数据库RDS控制台。 点击“购买数据库实例”。

参数设置可以参照实验手册，这里就不赘述了。

注意这里设置的数据库密码，下面将要用来登陆

注意：若参数配置与实验手册不符，系统将自动清理您创建的资源，由此将导致创建不成功

确认参数无误后点击“提交”完成购买，点击“返回云数据库RDS列表”可查看到正在创建的云数据库RDS，约等待【4-6分钟】数据库状态变为“正常”，说明数据库创建完成

创建数据库和表

点击云数据库RDS“rds-spider”进入详情页，选择左侧栏“连接管理”在右侧“公网连接”下，点击“绑定”弹性公网IP，在弹窗中选中弹性公网IP点击“确定”完成绑定

弹性公网IP绑定完成，点击“登录”，输入用户名：root，密码：创建云数据库RDS时设置的密码，如下图所示

登陆进来之后我们创建数据库vmall 和 数据表,点击“+新建表”，表名：“product”，其他参数默认

添加3个字段分别如下： ①列名id，类型int，长度11，勾选主键，扩展信息如下图（id自增长）； ②列名title，类型varchar，长度255，勾选可空； ③列名image，类型varchar，长度255，勾选可空。

注：这里可以随意一些，根据自己的需求进行，没必要一定遵循实验手册

2.查看目的网页并编写爬虫代码

环境准备好了，下面开始业务逻辑的编写

业务分析

目标网站：https://sale.vmall.com/huaweizone.html

分析目标地址：https://www.vmall.com/product/10086151859746.html#2801010096501

按“F12”查看网页元素，选择“鼠标跟随”按钮查看元素，然后点击网页中某个元素，可以看到源码界面显示了此元素对应的源码片段，从该源码片段中找到元素class或是id属性，如下图所示：

创建爬虫项目并导入

切换到【实验操作桌面】，打开“Xfce终端”，依次执行以下命令在桌面新建项目文件夹。

cd Desktop
scrapy startproject vmall_spider
cd vmall_spider
scrapy genspider -t crawl vmall "vmall.com"

在桌面打开Pycharm导入项目，常规操作，没难度，也不赘述了

编写爬虫代码

在项目“vmall_spider”-＞“spiders”下，双击打开“vmall.py”文件，删除原有代码，写入以下代码

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from vmall_spider.items import VmallSpiderItem
​
class VamllSpider(CrawlSpider):
    name = 'vamll'
    allowed_domains = ['vmall.com']
    start_urls = ['https://sale.vmall.com/huaweizone.html']
​
    rules = (
        Rule(LinkExtractor(allow=r'.*/product/.*'), callback='parse_item', follow=True),
    )
​
    def parse_item(self, response):
        title=response.xpath("//div[@class='product-meta product-global']/h1/text()").get()
        price=response.xpath("//div[@class='product-price-info']/span/text()").get()
        image=response.xpath("//a[@id='product-img']/img/@src").get()
        item=VmallSpiderItem(
            title=title,
            image=image,
        )
        print("="*30)
        print(title)
        print(image)
        print("="*30)
        yield item

双击打开“itmes.py”文件，删除原有代码，写入以下代码：

import scrapy
​
​
class VmallSpiderItem(scrapy.Item):
    title=scrapy.Field()
    image=scrapy.Field()

双击打开“pipelines.py”文件，删除原有代码，写入以下代码（使用步骤1.3创建的云数据库RDS的密码、步骤1.4绑定的弹性公网IP替换代码中的相关信息）

import pymysql
import os
from urllib import request
​
class VmallSpiderPipeline:
    def __init__(self):
        dbparams={
            'host':'124.70.15.164', #云数据库弹性公网IP
            'port':3306, #云数据库端口
            'user':'root', #云数据库用户
            'password':'rIDM7g4nl5VxRUpI', #云数据库RDS密码
            'database':'vmall', #数据库名称
            'charset':'utf8'
        }
        self.conn=pymysql.connect(**dbparams)
        self.cursor=self.conn.cursor()
        self._sql=None
​
        self.path=os.path.join(os.path.dirname(os.path.dirname(__file__)),'images')
        if not os.path.exists(self.path):
            os.mkdir(self.path)
​
    def process_item(self,item,spider):
        url=item['image']
        image_name=url.split('_')[-1]
        print("--------------------------image_name-----------------------------")
        print(image_name)
        print(url)
        request.urlretrieve(url,os.path.join(self.path,image_name))
        self.cursor.execute(self.sql,(item['title'], item['image']))
        self.conn.commit()
        return item
​
    @property
    def sql(self):
        if not self._sql:
            self._sql="""
            insert into product(id,title,image) values(null,%s,%s)
            """
            return self._sql
        return self._sql

注意：上面的数据库参数要换成沙箱内的数据

核心代码就上面这些，一些配置相关的代码，可以参照实验手册就不赘述了

3.在弹性云服务器ECS上运行爬虫程序

登陆云服务器进行安装依赖，也就是布置python的运行环境

执行下面这些命令，安装环境

yum -y groupinstall "Development tools"
yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel
yum install gcc libffi-devel python-devel openssl-devel -y
yum install libxslt-devel -y
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip

执行下面这些命令，安装python所需要的三方包

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple scrapy
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple selenium
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple pymysql
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple pillow

上传代码

cd /home/user/Desktop && scp -r ./vmall_spider root@EIP:/root

上传过程如下 ：

运行代码

再次登陆云服务器

执行以下命令启动爬虫项目，运行片刻（约30秒），按“Ctrl+Z”键停止运行程序。

cd /root/vmall_spider/vmall_spider/ && python3 start.py

查看爬取数据

切换至【实验操作桌面】浏览器已登录云数据库RDS页面，点击“对象列表”->“打开表”如下图所示：

可看到已爬取的数据，如下图所示：

总结：

整个实验过程基本上就是我们拿到一个新项目的环境搭建过程

• 首先拿到一台电脑，创建ecs

• 安装数据库，部署RDS

• 创建数据库和表，创建数据库vmall 和 表名：“product”

• 分析业务需求，对网页进行分析

• 编写代码，实验手册提供了详细的代码

• 部署代码运行验证，部署服务器环境，上传代码，运行代码

【我的华为云体验之旅】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/309059