码迷,mamicode.com
首页 > 其他好文 > 详细

scrapy爬虫框架(五)-CrawlSpider

时间:2020-02-17 14:13:33      阅读:72      评论:0      收藏:0      [点我收藏+]

标签:gen   ems   str   社区   ppi   lock   mod   框架   tar   

scrapy爬虫框架(五)-CrawlSpider

通过CrawlSpider的链接提取器爬取微信小程序社区的文章

技术图片

创建爬虫文件

此前要进入爬虫文件夹,使用cd命令,再创建模版(templ)爬虫

scrapy genspider -t crawl 爬虫名 网站域名
# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

from wxapp.items import WxappItem
class WxappspiderSpider(CrawlSpider):
    name = 'wxappSpider'
    allowed_domains = ['wxapp-union.com']
    start_urls = ['http://www.wxapp-union.com/portal.php?mod=list&catid=2&page=1']

    rules = (
        Rule(LinkExtractor(allow=r'.+mod=list&catid=2&page=\d'),  follow=True),
        Rule(LinkExtractor(allow=r'.+article-.+\.html'), callback="parse_detail", follow=True)
    )

    def parse_detail(self, response):
        title = response.xpath("//h1[@class='ph']/text()").get()
        links = response.xpath("//p[@class='authors']")
        author = links.xpath(".//a/text()").get()
        time = links.xpath(".//span[@class='time']//text()").getall()
        article = response.xpath("//td[@id='article_content']//text()").getall()
        article = "".join(article).strip()
        item = WxappItem(title=title, author=author, time=time, article=article)
        yield item

运行效果

技术图片

scrapy爬虫框架(五)-CrawlSpider

标签:gen   ems   str   社区   ppi   lock   mod   框架   tar   

原文地址:https://www.cnblogs.com/senup/p/12321418.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!