码迷,mamicode.com
首页 > 其他好文 > 详细

Scrapy爬虫Demo 爬取资讯分类

时间:2019-12-11 21:49:07      阅读:79      评论:0      收藏:0      [点我收藏+]

标签:传输   class   方法   http   ons   split   makedirs   指定   range   

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,或者直接命令行输入:scrapy crawl sina

from scrapy import cmdline
cmdline.execute(scrapy crawl sina.split())

执行程序

py2 main.py

 效果:

技术图片

Scrapy爬虫Demo 爬取资讯分类

标签:传输   class   方法   http   ons   split   makedirs   指定   range   

原文地址:https://www.cnblogs.com/loaderman/p/11890346.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!