zoukankan      html  css  js  c++  java
  • Scrapy爬虫Demo 爬取资讯分类

    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:

  • 相关阅读:
    javascript,函数声明和函数表达式
    javascript,小数值舍入操作方法:ceil()、floor()、round()
    javascript,子字符串操作方法:Slice()、Substr()、Substring()的区别
    javascript,第一个基于node.js的Http服务
    javascript,创建对象的3种方法
    MFC学习笔记2——MFC和Win32
    Qt下 QString转char*
    [转载] Qt程序在Windows下的mingw发布
    VC 获取当前时间
    MFC 对话框设计问题(控件的使用)
  • 原文地址:https://www.cnblogs.com/loaderman/p/11890346.html
Copyright © 2011-2022 走看看