码迷,mamicode.com
首页 > 其他好文 > 详细

scrapy-splash抓取动态数据例子五

时间:2017-06-08 17:52:56      阅读:293      评论:0      收藏:0      [点我收藏+]

标签:tar   数据抓取   nim   middle   pid   rdl   find   sspi   yield   

  一、介绍

    本例子用scrapy-splash抓取智能电视网网站给定关键字抓取咨询信息。

    给定关键字:打通;融合;电视

    抓取信息内如下:

      1、资讯标题

      2、资讯链接

      3、资讯时间

      4、资讯来源

 

  二、网站信息

    技术分享

 

    技术分享

    技术分享

 

  三、数据抓取

    针对上面的网站信息,来进行抓取

    1、首先抓取信息列表

      抓取代码:sels = site.xpath(‘//div[@class="listl list2"]/ul/li‘)

    2、抓取标题

      首先列表页面,根据标题和日期来判断是否自己需要的资讯,如果是,就今日到资讯对应的链接,来抓取来源,如果不是,就不用抓取了

      抓取代码:titles = sel.xpath(‘.//h3/a/text()‘)

    3、抓取链接

      抓取代码:url = ‘http://news.znds.com‘ + str(sel.xpath(‘.//h3/a/@href‘)[0].extract())

    4、抓取日期

      抓取代码:strdate = str(sel.xpath(‘.//span/text()‘).extract())

    5、抓取来源

      抓取代码:sources = site.xpath(‘//span[@class="spanimg2"]/text()‘)

   

  四、完整代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from scrapy.spiders import Spider
from scrapy_splash import SplashRequest
from scrapy_splash import SplashMiddleware
from scrapy.http import Request, HtmlResponse
from scrapy.selector import Selector
from scrapy_splash import SplashRequest
from splash_test.items import SplashTestItem
import IniFile
import sys
import os
import re
import time

reload(sys)
sys.setdefaultencoding(utf-8)

# sys.stdout = open(‘output.txt‘, ‘w‘)

class zndsSpider(Spider):
    name = znds

    configfile = os.path.join(os.getcwd(), splash_test\spiders\setting.conf)

    cf = IniFile.ConfigFile(configfile)
    information_wordlist = cf.GetValue("section", "information_keywords").split(;)
    websearch_urls = cf.GetValue("znds", "websearchurl").split(;)
    start_urls = []
    for word in websearch_urls:
        start_urls.append(word)

    # request需要封装成SplashRequest
    def start_requests(self):
        for url in self.start_urls:
            yield SplashRequest(url
                                , self.parse
                                , args={wait: 2}
                                )

    def Comapre_to_days(self,leftdate, rightdate):
        ‘‘‘
        比较连个字符串日期,左边日期大于右边日期多少天
        :param leftdate: 格式:2017-04-15
        :param rightdate: 格式:2017-04-15
        :return: 天数
        ‘‘‘
        l_time = time.mktime(time.strptime(leftdate, %Y-%m-%d))
        r_time = time.mktime(time.strptime(rightdate, %Y-%m-%d))
        result = int(l_time - r_time) / 86400
        return result

    def date_isValid(self, strDateText):
        ‘‘‘
        判断日期时间字符串是否合法:如果给定时间大于当前时间是合法,或者说当前时间给定的范围内
        :param strDateText: 四种格式 ‘2小时前‘; ‘2天前‘ ; ‘昨天‘ ;‘2017.2.12 ‘
        :return: True:合法;False:不合法
        ‘‘‘
        currentDate = time.strftime(%Y-%m-%d)
        datePattern = re.compile(r\d{4}-\d{1,2}-\d{1,2})
        strDate = re.findall(datePattern, strDateText)
        if len(strDate) == 1:
            if self.Comapre_to_days(currentDate,strDate[0])==0:
                return True,currentDate
        return False, ‘‘
    def parse(self, response):

        site = Selector(response)
        # keyword = response.meta[‘keyword‘]
        sels = site.xpath(//div[@class="listl list2"]/ul/li)
        for sel in sels:
            titles = sel.xpath(.//h3/a/text())
            if len(titles)>0:
                title = str(titles[0].extract())
                strdate = str(sel.xpath(.//span/text()).extract())
                flag,date =self.date_isValid(strdate)
                if flag:
                    url = http://news.znds.com + str(sel.xpath(.//h3/a/@href)[0].extract())
                    for keyword in self.information_wordlist:
                        if title.find(keyword)>-1:
                            url = http://news.znds.com+ str(sel.xpath(.//h3/a/@href)[0].extract())
                            yield SplashRequest(url
                                        , self.parse_item
                                        , args={wait: 1},
                                        meta={date: date, url: url,
                                                  keyword: keyword,title:title}
                                            )


    def parse_item(self, response):
        site = Selector(response)
        it = SplashTestItem()
        it[title] = response.meta[title]
        it[url] = response.meta[url]
        it[date] = response.meta[date]
        it[keyword] = response.meta[keyword]
        sources = site.xpath(//span[@class="spanimg2"]/text())
        if len(sources)>0:
            source =str(sources[0].extract()).replace(u来源: ,‘‘)
            it[source] = source
        return it

 

scrapy-splash抓取动态数据例子五

标签:tar   数据抓取   nim   middle   pid   rdl   find   sspi   yield   

原文地址:http://www.cnblogs.com/shaosks/p/6963615.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!