一、需求

1.1 抓取首页的分类信息

• 抓取数据: 各级分类的名称 和 URL

1.2 抓取商品信息

• 抓取: 商品名称, 商品价格, 商品评论数量, 商品店铺, 商品促销, 商品选项, 商品图片的URL

二、开发环境

• 平台： Mac，可以运行Window和Linux上
• 开发语言： Python3
• 开发工具: PyCharm
• 技术选择：
• 由于全网爬虫, 抓取页面非常多, 为了提高抓的速度, 选择使用scrapy框架 + scrapy_redis分布式组件
• 由于京东全网的数据量达到了亿级, 存储又是结构化数据, 数据库, 选择使用MongoDB;

三、京东全网爬虫的实现步骤

我们采用广度优先策略, 我们把类别和商品信息的抓取分开来做.

• 好处: 可以提高程序的稳定性

3.1 总体设计

3.2 实现步骤:

1. 创建爬虫项目
2. 根据需求, 定义数据数据模型
3. 实现分类爬虫
4. 保存分类信息
5. 实现商品爬虫
6. 保存商品信息
7. 实现随机User-Agent和代理IP下载器中间件, 解决IP反爬.

3.3 创建爬虫项目

• scrapy startproject mall_spider

四、明确要抓取的数据(定义数据模型)

爬虫数据模型, 我们只能根据需求, 定义一个大概, 随着对项目实现可能会对数据模型做相应的修改.

4.1 类别数据模型

• 类别数据模型类: 用于存储类别信息(Category) - 字段:
• b_category_name: 大类别名称
• b_category_url: 大类别URL
• m_category_name: 中分类名称
• m_category_url: 中分类URL
• s_category_name: 小分类名称
• s_category_url: 小分类URL
• 代码

class Category(scrapy.Item):
  """商品类别"""
  # 大分类名称
  b_category_name = scrapy.Field()
  # 大分类URL
  b_category_url = scrapy.Field()
  # 中分类名称
  m_category_name = scrapy.Field()
  # 中分类URL
  m_category_url = scrapy.Field()
  # 小分类名称
  s_category_name = scrapy.Field()
  # 小分类URL
  s_category_url = scrapy.Field()

4.2 商品数据模型

• 商品数据模型类: 用于存储商品信息(Product)
• 字段:
• product_category: 商品类别
• product_sku_id: 商品ID
• product_name: 商品名称
• product_img_url: 商品图片URL
• product_book_info: 图书信息, 作者,出版社
• product_option: 商品选项
• product_shop: 商品店铺
• product_comments: 商品评论数量
• product_ad: 商品促销
• product_price: 商品价格
• 代码

class Product(scrapy.Item):
  # 商品类别
  product_category = scrapy.Field()
  # 商品ID
  product_sku_id = scrapy.Field()
  # 商品名称
  product_name = scrapy.Field()
  # 商品图片URL
  product_img_url = scrapy.Field()
  # 商品店铺
  product_shop = scrapy.Field()
  # 图书信息, 作者,出版社
  product_book_info = scrapy.Field()
  # 商品选项
  product_option = scrapy.Field()
  # 商品评论数量
  product_comments = scrapy.Field()
  # 商品促销
  product_ad = scrapy.Field()
  # 商品价格
  product_price = scrapy.Field()

五、商品分类查询

5.1 分析, 分类信息的URL

• 目标: 确定分类信息的URL
• 步骤:

1. 进入到京东首页
2. 右键检查, 打开开发者工具, 搜索 家用电器
3. 确定分类的URL

• 结论: - 分类URL: https://dc.3.cn/category/get

5.2 创建爬虫, 抓取数据

• 目标: 抓取分类数据, 交给引擎
• 步骤:

1. 创建类别爬虫
2. 指定起始URL
3. 解析数据, 交给引擎

5.2.1 创建爬虫

• 进入项目目录: cd mall_spider
• 创建爬虫: scrapy genspider category_spider jd.com

5.2.2. 指定起始URL

• 修改起始URL: https://dc.3.cn/category/get

5.2.3. 解析数据, 交给引擎

• 分析数据格式:
• 整体数据

• 各级分类位置

• 分类信息格式
• 格式1:
• jiadian.jd.com|家用电器||0
• 特点: 第一项分类URL,第二项分类名称
• 格式2:
• `652-654|摄影摄像||0
• 对应的URL: https://channel.jd.com/652-654.html
• 特点:第一项是频道ID, 包含一个 -
• 格式3:
• 1318-2628-12131|户外风衣||0
• 对应URL: https://list.jd.com/list.html?cat=1318,2628,12131
• 特点: 第一项为分类ID, 包含两个 -
• 代码实现

# -*- coding: utf-8 -*-
import scrapy
import json
from mall_spider.items import Category

class JdCategorySpider(scrapy.Spider):
    name = 'jd_category'
    allowed_domains = ['dc.3.cn']
    start_urls = ['https://dc.3.cn/category/get']
    # 频道URL模板
    channel_url_pattern = 'https://channel.jd.com/{}.html'
    # 列表URL模板
    list_url_pattern = 'https://list.jd.com/list.html?cat={}'

    def parse(self, response):
        # 把传递过来的信息GBK进行解码, 因为京东的类别信息, 是使用GBK, 编码的
        categorys  = json.loads(response.body.decode('GBK'))
        # 取出"data" 键中分类列表
        categorys = categorys['data']

        # 遍历分类列表
        for category in categorys:
            item = Category()
            # 获取大分类,包含子分类; 注: 第一层的分类都在在0索引上;
            b_category = category['s'][0]
            # 获取大分类信息(分类URL,名称)
            b_category_info =  b_category['n']
            # 解析大分类信息, 获取大分类名称和URL
            item['b_category_name'], item['b_category_url'] = self.get_category_item(b_category_info)

            # 获取中分类列表
            m_category_s =  b_category['s']

            # 遍历第二层分类列表
            for m_category in m_category_s:
                # 获取中分类信息
                m_category_info = m_category['n']
                item['m_category_name'], item['m_category_url'] = self.get_category_item(m_category_info)
                # 获取小分类列表
                s_category_s = m_category['s']
                # 遍历小分类分类列表
                for s_category in s_category_s:
                    # 获取第三层分类名称
                    s_category_info = s_category['n']
                    # 获取三级分类信息
                    item['s_category_name'], item['s_category_url'] = self.get_category_item(s_category_info)
                    # print(item['s_category_name'])
                    # 把分类信息交给引擎
                    yield item

    def get_category_item(self, category_info):
        # 使用 `|` 分割类型信息字符串
        categorys =   category_info.split('|')
        # 类别的名称
        category_name = categorys[1]
        # 类别的URL
        category_url = categorys[0]
        # 获取 category_url 中 `-` 个数
        count = category_url.count('-')

        if category_url.count('jd.com') != 0:
            # 其他就是本身就是URL, 前面补一个协议头
            category_url = 'https://' + category_url
        elif count == 1:
            # 如果包含一个 '-' 是二级分类的频道
            category_url = self.channel_url_pattern.format(category_url)
        else:
            # 如果包含2个 '-' 是三级分类的列表
            # 1. 把 `-` 替换为 ','
            category_url = category_url.replace('-', ',')
            # 2. 生成具体列表的URL
            category_url = self.list_url_pattern.format(category_url)
        return category_name, category_url

六、保存分类数据

6.1 实现保存分类的Pipeline类

• 步骤:

1. open_spider方法中, 链接MongoDB数据库, 获取要操作的集合
2. process_item 方法中, 向MongoDB中插入类别数据
3. close_spider 方法中, 关闭MongoDB的链接

from mall_spider.spiders.jd_category import JdCategorySpider
from pymongo import MongoClient

class CategoryPipeline(object):

    def open_spider(self, spider):
        if isinstance(spider, JdCategorySpider):
            # 建立MongoDB数据库链接
            self.client = MongoClient(MONGO_URL)
            # 获取要操作集合
            self.category = self.client['jd']['category']

    def process_item(self, item, spider):
        if isinstance(spider, JdCategorySpider):
            # 把数据插入到mongo中
            self.category.insert_one(dict(item))
        return item

    def close_spider(self, spider):
        """关闭"""
        if isinstance(spider, JdCategorySpider):
            self.client.close()

6.2 在settings.py开启, 类别的Pipeline

# 在settings.py开启, 类别的Pipeline
ITEM_PIPELINES = {
   'mall_spider.pipelines.CategoryPipeline': 300,
}

七、实现商品爬虫

1. 总体设计:把MongoDB中存储的分类信息, 放到redis_key指定列表中
2. 支持分布式爬虫, 当然也可以在一台电脑上运行多次, 以启动多个进程,充分使用CPU的多核.
3. 所以这里的爬虫, 先从一个分类开始抓就可以了, 后面再改造为分布式

• 目标: 抓取商品数据
• 步骤:

1. 分析, 确定数据所在的URL
2. 代码实现
3. 商品爬虫实现分布式

7.1 分析, 确定数据所在的URL

• 列表页
• 提取商品 skuid

• 实现翻页
• 获取下一页URL

• 没有下一页的情况

• 详情页 由于PC和手机页面商品信息, 在js中, 且比较分散, 并且每次请求数量页比较大, 我们这里使用手机抓包, 抓到json数据.
• 商品基本信息
• 图:

• URL: https://cdnware.m.jd.com/c1/skuDetail/apple/7.3.0/32426231880.json; 最后一部分是商品skuid
• 可以获取到的信息: 商品名称, 商品店铺信息 , 商品类别id, 商品品牌id, 商品选项

{
"code": "0",
"wareInfo": {
    "recommendInfo": {
        "recommendList": null
    },
    // 商品店铺信息
    "shopInfo": {
        "shop": {
            "shopId": 1000000127,
            "name": "京东Apple产品专营店",
            ...
        },    
    "basicInfo": {
        "gift": false,
        "bookInfo": {
            // 如果是书,这里是书的选项信息
            "display": false
        },

        "colorSizeInfo": {
            // 商品选项信息列表 有的没有
            "colorSize": [{
                "buttons": [{
                    "no": "1",
                    "skuList": ["100000177738", "100000287117", "100000287145", "100000309448", "100000309450", "100000375233", "100000435832", "100000458753", "100000458755", "100001860767", "100001860773"],
                    "text": "金色"
                }, {
                    "no": "2",
                    "skuList": ["100000177764", "100000287113", "100000287135", "100000435780", "100000435816", "100000435818", "100000569049", "100000602206", "100000602208", "100001860765", "100002539302"],
                    "text": "深空灰色"
                }, {
                    "no": "3",
                    "skuList": ["100000177740", "100000177784", "100000287147", "100000435834", "100000458737", "100000458739", "100000602174", "100000602176", "100000602204", "100001860789", "100002539304"],
                    "text": "银色"
                }],
                "title": "颜色"
            }, {
                "buttons": [{
                    "no": "1",
                    "skuList": ["100000177738", "100000177740", "100000177764", "100000177784", "100000287113", "100000287117", "100000287135", "100000287145", "100000287147"],
                    "text": "公开版"
                },
                ...
                ],
                "title": "版本"
            }, {
                "buttons": [{
                    "no": "1",
                    "skuList": ["100000177764", "100000287145", "100000287147", "100000375233", "100000435818", "100000458739", "100000458755", "100000602204", "100000602208", "100001860765", "100001860773", "100001860789"],
                    "text": "64GB"
                }, 
                ...
                ],
                "title": "内存"
            }],
            "colorSizeTips": "#与其他已选项无法组成可售商品，请重选"
        },
        ...
        // 品牌ID
        "brandID": "14026",
        ...
        // 商品图片
        "wareImage": [{
            "small": "https://m.360buyimg.com/mobilecms/s720x720_jfs/t1/3/15/4536/138660/5b997bf8Ed72ebce7/819dcf182d743897.jpg!q70.jpg.webp",
            ...
          }
          ...
        ],
        ...
        // 商品名称
        "name": "Apple iPhone XS Max (A2104) 256GB 深空灰色 移动联通电信4G手机 双卡双待",
        // 商品类别id
        "category": "9987;653;655"
        }
    }
}

• 商品促销信息(PC端):
• 图:

• URL: https://cd.jd.com/promotion/v2?skuId=4749506&area=1_72_4137_0&cat=737%2C794%2C798
• 参数
• skuId=4749506: 商品sku_id
• area=1_72_4137_0: 购买者区域, 固定的
• cat=737%2C794%2C798: 类别
• 数据

{
...
// 商品促销信息
"ads": [{
    "id": "AD_4749506",
    "ad": "【即刻预约，21号秒杀到手价2999】\n1、前100名晒单送腾讯企鹅影院季卡，联系客服领取！！\n2、曲面爆款，5.5万好评推荐！<a target=\"_blank\" href=\"https://item.jd.com/7055876.html\">升级55Q1D超清全面屏电视</a>"
}],
...
}

商品评论信息(PC端)

• 图:

• URL: https://club.jd.com/comment/productCommentSummaries.action?referenceIds=4749506
• 参数
• referenceIds=4749506: 商品sku_id
• 数据

{"CommentsCount":[
    {
        "CommentCountStr":"10万+", 
        "CommentCount":100000, //评论数量
        "AverageScore":5,
        "GoodRate":0.98, //好评率
        "PoorCountStr":"600+", 
        "PoorCount":600, // 差评数量
        ...
    }]}

• 商品价格信息:
• 图:

• URL: https://p.3.cn/prices/mgets?skuIds=J_4749506
• 参数:
• skuIds=J_4749506 商品的sku_id
• 数据

[
  {
      "op": "5499.00",
      "m": "5999.00",
      "id": "J_4749506", //商品skuid
      "p": "3299.00" // 商品价格
      }
  ]

7.2 代码实现

• 步骤:

1. 重写start_requests方法, 根据分类信息构建列表页的请求
2. 解析列表页, 提取商品的skuid, 构建商品基本的信息请求; 实现翻页
3. 解析商品基本信息, 构建商品促销信息的请求
4. 解析促销信息,构建商品评价信息的请求,
5. 解析商品评价信息, 构建价格信息的请求
6. 解析价格信息

# -*- coding: utf-8 -*-
import scrapy
import json
from jsonpath import jsonpath

class JdProductSpider(scrapy.Spider):
    name = 'jd_product'
    allowed_domains = ['jd.com', 'p.3.cn']

    def start_requests(self):
        category = {  "b_category_name" : "家用电器",
                      "b_category_url" : "https://jiadian.jd.com",
                      "m_category_name" : "洗衣机",
                      "m_category_url" : "https://list.jd.com/list.html?cat=737,794,880",
                      "s_category_name" : "洗衣机配件",
                      "s_category_url" : "https://list.jd.com/list.html?cat=737,794,877" }

        yield scrapy.Request(category['s_category_url'], self.parse, meta={'category': category})

    def parse(self, response):
        # 获取类别信息
        category = response.meta['category']
        # 获取类别的URL
        category_url = response.url.split('&')[0]
        # 获取所有商品的sku_ids
        sku_ids = response.xpath('//div[contains(@class, "j-sku-item")]/@data-sku').extract()
        # 遍历sku_ids, 构建基本详情信息的请求
        for sku_id in sku_ids:
            item = {
                 'product_category': category,
                 'product_sku_id':sku_id
            }
            product_url = 'https://cdnware.m.jd.com/c1/skuDetail/apple/7.3.0/{}.json'.format(sku_id)
            yield scrapy.Request(product_url, callback=self.parse_product, meta={'item': item})


        # 获取下一页的URL
        next_url = response.xpath('//a[@class="pn-next"]/@href').extract_first()
        if next_url:
            # 补全URL
            next_url = response.urljoin(next_url)
            # 构建下一页请求
            yield scrapy.Request(next_url, callback=self.parse, meta={'category': category})

    def parse_product(self, response):
        # 取出传递过来的数据
        item = response.meta['item']
        # 把响应数据数据转为字典
        product_dic = json.loads(response.text)

        # 获取商品名称
        item['product_name'] = product_dic['wareInfo']['basicInfo']['name']
        if  item['product_name']:
            # 获取类别id, 把 `;` 替换为 ,
            item['product_category_id'] = product_dic['wareInfo']['basicInfo']['category'].replace(';', ',')
            # 获取店铺信息
            product_shop = jsonpath(product_dic, '$..shop')
            if product_shop:
                product_shop = product_shop[0]
                if product_shop is None:
                    item['product_shop'] = {'name':'京东自营'}
                else:
                    item['product_shop'] = {
                        "shopId": product_shop['shopId'],
                        "name": product_shop['name'],
                        "score": product_shop['score'],
                        "url": product_shop['url'],
                    }

            # 如果是书, 记录书的信息
            if product_dic['wareInfo']['basicInfo']['bookInfo']['display']:
                item['product_book_info'] = product_dic['wareInfo']['basicInfo']['bookInfo']
                # 删除display
                del item['book_info']['display']
            # 获取商品选购信息
            color_sizes = jsonpath(product_dic, '$..colorSize')
            product_option = {}
            if color_sizes:
                for color_size in color_sizes[0]:
                    title = color_size['title']
                    texts = jsonpath(color_size, '$..text')
                    product_option.update({title:texts})
                    # print(product_option)
            item['product_option'] = product_option
            # 商品图片
            item['product_img_url'] = jsonpath(product_dic, '$..wareImage[0].small')[0]

            # 构建促销信息的请求
            ad_url = 'https://cd.jd.com/promotion/v2?skuId={}&area=1_72_4137_0&cat={}'.format(item['product_sku_id'], item['product_category_id'])
            yield scrapy.Request(ad_url, callback=self.parse_ad, meta={'item': item})

    def parse_ad(self, response):
        """获取商品促销"""
        item = response.meta['item']
        ad_dic = json.loads(response.body.decode('GB18030'))
        ad =  ad_dic['ads'][0]['ad']
        item['product_ad'] = ad

        # for key, value in item.items():
        #     print('{} = {}'.format(key, value))

        # 构建平均信息请求
        comments_url = 'https://club.jd.com/comment/productCommentSummaries.action?referenceIds={}'.format(item['product_sku_id'])
        yield scrapy.Request(comments_url, callback=self.parse_comments, meta={'item': item})

    def parse_comments(self, response):
        """解析商品评论信息"""
        item = response.meta['item']
        comments_dic = json.loads(response.text)
        comments = {
            'comment_count': jsonpath(comments_dic, '$..CommentCount')[0],
            'good_rate': jsonpath(comments_dic, '$..GoodRate')[0],
            'poor_count': jsonpath(comments_dic, '$..PoorCount')[0],
        }
        item['product_comments'] = comments
        # print(item)
        # 构建价格请求
        price_url = 'https://p.3.cn/prices/mgets?skuIds=J_{}'.format(item['product_sku_id'])
        yield scrapy.Request(price_url, callback=self.parse_price, meta={'item': item})

    def parse_price(self, response):
        """解析价格"""
        item = response.meta['item']
        item['product_price'] = json.loads(response.text)[0]['p']
        # print(item)
        yield item

7.3 商品爬虫实现分布式

• 步骤:

1. 修改爬虫类
2. 在settings文件中配置scrapy_redis
3. 写一个程序用于把MongoDB中分类信息, 放入到爬虫redis_key指定的列表中

1. 修改爬虫类

• 步骤:

1. 修改继承关系: 继承RedisSpider
2. 指定redis_key
3. 把重写start_requests 改为 重写 make_request_from_data

from scrapy_redis.spiders import RedisSpider
import pickle

#  1. 修改继承关系: 继承RedisSpider
class JdProductSpider(RedisSpider):
    name = 'jd_product'
    allowed_domains = ['jd.com', 'p.3.cn']
    # 2. 指定redis_key
    redis_key = 'jd_product:start_category'

    # 3. 把重写start_requests 改为 重写 make_request_from_data
    def make_request_from_data(self, data):
        # 把从Redis中读取到分类信息, 转换为字典
        category = pickle.loads(data)
        return scrapy.Request(category['s_category_url'], self.parse, meta={'category': category})

• 注意: 在make_request_from_data不能使用 yield 必须使用 return

2. 在settings文件中配置scrapy_redis

# MongoDB数据库的URL
MONGO_URL = 'mongodb://127.0.0.1:27017'

# REDIS数据链接
REDIS_URL = ' redis://127.0.0.1:6379/0'

# 去重容器类: 用于把已爬指纹存储到基于Redis的set集合中
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 调度器: 用于把待爬请求存储到基于Redis的队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 是不进行调度持久化:
# 如果是True, 当程序结束的时候, 会保留Redis中已爬指纹和待爬的请求
# 如果是False, 当程序结束的时候, 会清空Redis中已爬指纹和待爬的请求
SCHEDULER_PERSIST = True

3. 写一个程序用于把MongoDB中分类信息, 放入到爬虫redis_key指定的列表中

• 步骤:
• 在项目文件夹下创建 add_category_to_redis.py

实现方法 add_category_to_redis:

1. 链接MongoDB
2. 链接Redis
3. 读取MongoDB中分类信息, 序列化后, 添加到商品爬虫redis_key指定的list
4. 关闭MongoDB

• 在if __name__ == '__main__':中调用add_category_to_redis方法

代码

from redis import StrictRedis
from pymongo import MongoClient
import pickle

from mall_spider.settings import MONGO_URL, REDIS_URL
from mall_spider.spiders.jd_product import JdProductSpider

# 把MongoDB中分类信息, 添加到Redis中
def add_category_to_redis():
    # 链接MongoDB
    client = MongoClient(MONGO_URL)
    # 链接Redis
    redis = StrictRedis.from_url(REDIS_URL)

    cursor = client['jd']['category'].find()
    # 读取MongoDB中分类信息, 序列化后, 添加到商品爬虫redis_key指定的list
    for category in cursor:
        redis.rpush(JdProductSpider.redis_key, pickle.dumps(category))

    # 关闭MongoDB的链接
    client.close()

if __name__ == '__main__':
    add_category_to_redis()

八、保存商品信息

8.1 实现存储商品Pipeline类

• 步骤
• 在 open_spider方法, 建立MongoDB数据库连接, 获取要操作的集合
• 在 process_item方法, 把数据插入到MongoDB中
• 在close_spider方法, 关闭数据库连接
• 代码

class ProductPipeline(object):

    def open_spider(self, spider):
        if isinstance(spider, JdProductSpider):
            # 建立MongoDB数据库链接
            self.client = MongoClient(MONGO_URL)
            # 获取要操作集合
            self.category = self.client['jd']['product']

    def process_item(self, item, spider):
        if isinstance(spider, JdProductSpider):
            # 把数据插入到mongo中
            self.category.insert_one(dict(item))

        return item

    def close_spider(self, spider):
        """关闭"""
        if isinstance(spider, JdProductSpider):
            self.client.close()

8.2 在settings.py中开启这个管道

ITEM_PIPELINES = {
   'mall_spider.pipelines.CategoryPipeline': 300,
    # 开启商品管道
   'mall_spider.pipelines.ProductPipeline': 301,
}

九、实现下载器中间件

为了避免IP反爬, 我们实现随机User-Agent和代理IP的中间件

• 步骤:

1. 实现随机User-Agent的中间件
2. 实现代理IP中间件
3. 在settings.py 文件开启, 下载器中间件

9.1 实现随机User-Agent的中间件

• 步骤
• 准备User-Agent列表
• 在middlewares.py中, 实现RandomUserAgent类
• 实现process_request方法
• 如果是请求是 https://cdnware.m.jd.com 开头的, 就是设置一个iPhone的user-agent
• 否则从User-Agent列表中随机取出一个
• 代码

import requests
import random

# 准备请求头
USER_AGENTS = [
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
    "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
    "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
    "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
    "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
    "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)",
    "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)",
    "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1",
    "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5",
    "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre",
    "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11",
    "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10"
]

class RandomUserAgent(object):
    def process_request(self, request, spider):
        if request.url.startswith('https://cdnware.m.jd.com'):
            # 如果使用手机抓包, 获取到商品信息; 生成请求请求头
            request.headers['user-agent'] = 'JD4iPhone/164880 (iPhone; iOS 12.1.2; Scale/2.00)'
        else:
            # 随机获取一个请求头, 进行设置
            request.headers['user-agent'] = random.choice(USER_AGENTS)

9.2 实现代理IP中间件

• 步骤:
• 在middlewares.py中, 实现ProxyMiddleware类
• 实现process_request方法
• 从代理池中获取一个随机的代理IP, 需指定代理IP的协议, 和访问的域名
• 设置给request.meta['proxy']
• 实现process_exception方法
• 当请求出现异常的时候, 代理池哪些代理IP在本域名下是不可以用的
• 代码

"""
9.2. 实现代理IP中间件
步骤:
    在middlewares.py中, 实现ProxyMiddleware类
    实现process_request方法
    从代理池中获取一个随机的代理IP
    设置给request.meta['proxy']
"""
from twisted.internet import defer
from twisted.internet.error import TimeoutError, DNSLookupError, \
        ConnectionRefusedError, ConnectionDone, ConnectError, \
        ConnectionLost, TCPTimedOutError
from twisted.web.client import ResponseFailed
from scrapy.core.downloader.handlers.http11 import TunnelError

class ProxyMiddleware(object):

    EXCEPTIONS_TO_RETRY = (defer.TimeoutError, TimeoutError, DNSLookupError,
                           ConnectionRefusedError, ConnectionDone, ConnectError,
                           ConnectionLost, TCPTimedOutError, ResponseFailed,
                           IOError, TunnelError)

    def process_request(self, request, spider):
        """
        从代理池中获取一个随机的代理IP
         设置给request.meta['proxy']
        """
        response = requests.get('http://localhost:6868/random?protocol=https&domain=jd.com')
        request.meta['proxy'] = response.content.decode()
        request.meta['dont_redirect'] = True
        return None

   def process_exception(self, request, exception, spider):
        if isinstance(exception, self.EXCEPTIONS_TO_RETRY):
            # 获取代理IP
            proxy = request.meta['proxy']
            # 提取IP地址
            ip = re.findall('https://(.+):\d+', proxy)[0]

            params = {
              'ip': ip,
              'domain': 'jd.com'
            }

            requests.get('http://localhost:6868/disable_domain', params=params)
            # 构建请求返回
            req = request.copy()
            req.dont_filter = True
            return req

9.3 在settings.py中开启上面的两个下载器中间件

# 配置下载器中间件
    DOWNLOADER_MIDDLEWARES = {
    'mall_spider.middlewares.RandomUserAgent': 500,
    'mall_spider.middlewares.ProxyMiddl eware': 543,
    }