码迷,mamicode.com
首页 > 编程语言 > 详细

Python爬虫框架Scrapy实例(二)

时间:2017-10-06 15:54:06      阅读:319      评论:0      收藏:0      [点我收藏+]

标签:coding   body   替换   .sh   lin   存在   新浪   工作   pid   

目标任务:使用Scrapy框架爬取新浪网导航页所有大类、小类、小类里的子链接、以及子链接页面的新闻内容,最后保存到本地。

大类小类如下图所示:

技术分享

点击国内这个小类,进入页面后效果如下图(部分截图):

技术分享

查看页面元素,得到小类里的子链接如下图所示:

技术分享

有子链接就可以发送请求来访问对应新闻的内容了。

 

首先创建scrapy项目

# 创建项目
scrapy startproject sinaNews
# 创建爬虫
scrapy genspider sina "sina.com.cn"

 

一、根据要爬取的字段创建item文件:

# -*- coding: utf-8 -*-

import scrapy
import sys
reload(sys)
sys.setdefaultencoding("utf-8")


class SinanewsItem(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()

二、编写spiders爬虫文件

# -*- coding: utf-8 -*-

import scrapy
import os
from sinaNews.items import SinanewsItem
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 = SinanewsItem()

                # 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 = SinanewsItem()
                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

 

三、编写pipelines文件

# -*- coding: utf-8 -*-

from scrapy import signals
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

class SinanewsPipeline(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

四、settings文件的设置

# 设置管道文件
ITEM_PIPELINES = {
   sinaNews.pipelines.SinanewsPipeline: 300,
}

 执行命令

scrapy crwal sina

效果如下图所示:

打开工作目录下的Data目录,显示大类文件夹

技术分享

 大开一个大类文件夹,显示小类文件夹:

技术分享

打开一个小类文件夹,显示文章:

技术分享

Python爬虫框架Scrapy实例(二)

标签:coding   body   替换   .sh   lin   存在   新浪   工作   pid   

原文地址:http://www.cnblogs.com/xinyangsdut/p/7631163.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!