爬虫框架Scrapy之案例二
Posted 林深时见鹿
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫框架Scrapy之案例二相关的知识,希望对你有一定的参考价值。
新浪网分类资讯爬虫
爬取新浪网导航页所有下所有大类、小类、小类里的子链接,以及子链接页面的新闻内容。
效果演示图:
items.py
import scrapy
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
class SinaItem(scrapy.Item):
# 大类的标题 和 url
parentTitle = scrapy.Field()
parentUrls = scrapy.Field()
# 小类的标题 和 子url
subTitle = scrapy.Field()
subUrls = scrapy.Field()
# 小类目录存储路径
subFilename = scrapy.Field()
# 小类下的子链接
sonUrls = scrapy.Field()
# 文章标题和内容
head = scrapy.Field()
content = scrapy.Field()
spiders/sina.py
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
from Sina.items import SinaItem
import scrapy
import os
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
class SinaSpider(scrapy.Spider):
name= "sina"
allowed_domains= ["sina.com.cn"]
start_urls= [
"http://news.sina.com.cn/guide/"
]
def parse(self, response):
items= []
# 所有大类的url 和 标题
parentUrls = response.xpath(\'//div[@id=\\"tab01\\"]/div/h3/a/@href\').extract()
parentTitle = response.xpath("//div[@id=\\"tab01\\"]/div/h3/a/text()").extract()
# 所有小类的ur 和 标题
subUrls = response.xpath(\'//div[@id=\\"tab01\\"]/div/ul/li/a/@href\').extract()
subTitle = response.xpath(\'//div[@id=\\"tab01\\"]/div/ul/li/a/text()\').extract()
#爬取所有大类
for i in range(0, len(parentTitle)):
# 指定大类目录的路径和目录名
parentFilename = "./Data/" + parentTitle[i]
#如果目录不存在,则创建目录
if(not os.path.exists(parentFilename)):
os.makedirs(parentFilename)
# 爬取所有小类
for j in range(0, len(subUrls)):
item = SinaItem()
# 保存大类的title和urls
item[\'parentTitle\'] = parentTitle[i]
item[\'parentUrls\'] = parentUrls[i]
# 检查小类的url是否以同类别大类url开头,如果是返回True (sports.sina.com.cn 和 sports.sina.com.cn/nba)
if_belong = subUrls[j].startswith(item[\'parentUrls\'])
# 如果属于本大类,将存储目录放在本大类目录下
if(if_belong):
subFilename =parentFilename + \'/\'+ subTitle[j]
# 如果目录不存在,则创建目录
if(not os.path.exists(subFilename)):
os.makedirs(subFilename)
# 存储 小类url、title和filename字段数据
item[\'subUrls\'] = subUrls[j]
item[\'subTitle\'] =subTitle[j]
item[\'subFilename\'] = subFilename
items.append(item)
#发送每个小类url的Request请求,得到Response连同包含meta数据 一同交给回调函数 second_parse 方法处理
for item in items:
yield scrapy.Request( url = item[\'subUrls\'], meta={\'meta_1\': item}, callback=self.second_parse)
#对于返回的小类的url,再进行递归请求
def second_parse(self, response):
# 提取每次Response的meta数据
meta_1= response.meta[\'meta_1\']
# 取出小类里所有子链接
sonUrls = response.xpath(\'//a/@href\').extract()
items= []
for i in range(0, len(sonUrls)):
# 检查每个链接是否以大类url开头、以.shtml结尾,如果是返回True
if_belong = sonUrls[i].endswith(\'.shtml\') and sonUrls[i].startswith(meta_1[\'parentUrls\'])
# 如果属于本大类,获取字段值放在同一个item下便于传输
if(if_belong):
item = SinaItem()
item[\'parentTitle\'] =meta_1[\'parentTitle\']
item[\'parentUrls\'] =meta_1[\'parentUrls\']
item[\'subUrls\'] = meta_1[\'subUrls\']
item[\'subTitle\'] = meta_1[\'subTitle\']
item[\'subFilename\'] = meta_1[\'subFilename\']
item[\'sonUrls\'] = sonUrls[i]
items.append(item)
#发送每个小类下子链接url的Request请求,得到Response后连同包含meta数据 一同交给回调函数 detail_parse 方法处理
for item in items:
yield scrapy.Request(url=item[\'sonUrls\'], meta={\'meta_2\':item}, callback = self.detail_parse)
# 数据解析方法,获取文章标题和内容
def detail_parse(self, response):
item = response.meta[\'meta_2\']
content = ""
head = response.xpath(\'//h1[@id=\\"main_title\\"]/text()\')
content_list = response.xpath(\'//div[@id=\\"artibody\\"]/p/text()\').extract()
# 将p标签里的文本内容合并到一起
for content_one in content_list:
content += content_one
item[\'head\']= head
item[\'content\']= content
yield item
pipelines.py
from scrapy import signals
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
class SinaPipeline(object):
def process_item(self, item, spider):
sonUrls = item[\'sonUrls\']
# 文件名为子链接url中间部分,并将 / 替换为 _,保存为 .txt格式
filename = sonUrls[7:-6].replace(\'/\',\'_\')
filename += ".txt"
fp = open(item[\'subFilename\']+\'/\'+filename, \'w\')
fp.write(item[\'content\'])
fp.close()
return item
settings.py
BOT_NAME = \'Sina\'
SPIDER_MODULES = [\'Sina.spiders\']
NEWSPIDER_MODULE = \'Sina.spiders\'
ITEM_PIPELINES = {
\'Sina.pipelines.SinaPipeline\': 300,
}
LOG_LEVEL = \'DEBUG\'
在项目根目录下新建main.py文件,用于调试
from scrapy import cmdline
cmdline.execute(\'scrapy crawl sina\'.split())
执行程序
py2 main.py
以上是关于爬虫框架Scrapy之案例二的主要内容,如果未能解决你的问题,请参考以下文章
python爬虫之Scrapy框架,基本介绍使用以及用框架下载图片案例