提取亚马逊所有的商品类目与对应的url，保持层级关系

最新推荐文章于 2024-10-08 15:50:27 发布

Ai_践行者

最新推荐文章于 2024-10-08 15:50:27 发布

阅读量3.6k

点赞数

CC 4.0 BY-SA版权

分类专栏：爬虫文章标签： scrapy

本文链接：https://blog.youkuaiyun.com/qq_41424519/article/details/89202606

本文档介绍如何使用Scrapy爬虫框架，遍历并提取亚马逊网站的商品分类及其对应的URL，同时保持类目间的层级结构。通过spider文件、settings配置和pipelines处理，实现数据的有效抓取和存储。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

spider文件如下：

# -*- coding: utf-8 -*-
import scrapy
import re

class GoodsclassnameUrlSpider(scrapy.Spider):
    name = 'GoodsClassName_Url'
    allowed_domains = ['amazon.com']
    start_urls = ['https://www.amazon.com/gp/new-releases/ref=zg_bsnr_unv_0_amazon-devices_1']
    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url, dont_filter=True,meta={'father':'start','end_or_not':self.start_urls})


    def parse(self, response):
        str_father_name_url=response.meta['father']
        if re.findall("<li><a href='https://www.amazon.com/gp/new-releases", response.text, re.S):
            child_name_list = re.findall("<li><a href='https://www.amazon.com/gp/new-releases.*?'>(.*?)</a></li>",
                                         response.text, re.S)
            part_child_url_list = re.findall("<li><a href='https://www.amazon.com/gp/new-releases(.*?)'>",