scrapy-splash抓取动态数据例子十一

　　一、介绍

　　　　本例子用scrapy-splash抓取活动树网站给定关键字抓取活动信息。

　　　　给定关键字：数字；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

　　　　

　　　　

　　　　　　

　　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[@id ='eventList']/div[@class ='list']")

　　　　2、抓取标题

　　　　　　抓取代码：title = str(sel.xpath('.//div[2]/h2/a/text()')[0].extract())

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://www.huodongshu.com' + str(sel.xpath('.//div[1]/a/@href')[0].extract())

　　　　4、抓取日期

　　　　　　抓取代码：dates = sel.xpath('.//div[@class="info time"]/text()')

　　　　5、抓取来源

　　　　　　抓取代码：sources = sel.xpath('.//div[@class="info title"]/a/text()')

　　　　6、地点

　　　　　　抓取代码：areas = sel.xpath('.//div[@class="info site"]/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 SplashMeetingItem
import IniFile
import sys
import os
import re
import time

reload(sys)
sys.setdefaultencoding('utf-8')
import urllib
# sys.stdout = open('output.txt', 'w')

class huodongshuSpider(Spider):
    name = 'huodongshu'

    configfile = os.path.join(os.getcwd(), 'splash_testspiderssetting.conf')

    cf = IniFile.ConfigFile(configfile)
    meeting_wordlist = cf.GetValue("section", "meeting_keywords").split(';')
    websearch_url = cf.GetValue("huodongshu", "websearchurl")
    start_urls = []
    for keyword in meeting_wordlist:
        url = websearch_url +keyword
        start_urls.append(url)
    # request需要封装成SplashRequest
    def start_requests(self):
        for url in self.start_urls:
            index = url.rfind('=')
            yield SplashRequest(url
                                , self.parse
                                , args={'wait': '2'},
                                meta={'keyword': url[index + 1:]}
                                )

    def compareDate(self, dateLeft, dateRight):
        '''
        比较俩个日期的大小
        :param dateLeft: 日期 格式2017-03-04
        :param dateRight:日期 格式2017-03-04
        :return: 1：左大于右，0：相等，-1：左小于右
        '''
        dls = dateLeft.split('-')
        drs = dateRight.split('-')
        if len(dls) > len(drs):
            return 1
        if int(dls[0]) == int(drs[0]) and int(dls[1]) == int(drs[1]) and int(dls[2]) == int(drs[2]):
            return 0

        if int(dls[0]) > int(drs[0]):
            return 1
        elif int(dls[0]) == int(drs[0]) and int(dls[1]) > int(drs[1]):
            return 1
        elif int(dls[0]) == int(drs[0]) and int(dls[1]) == int(drs[1]) and int(dls[2]) > int(drs[2]):
            return 1
        return -1

    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: 三种格式 '2017.04.27 ~ 04.28'; '2017.04.20  08:30 ~ 12:30' ; '2015.12.29 ~ 2016.01.03'
        :return: True:合法；False:不合法
        '''
        datePattern = re.compile(r'd{4}-d{2}-d{2}')
        date = strDateText.replace('.', '-')
        strDate = re.findall(datePattern, date)
        currentDate = time.strftime('%Y-%m-%d')
        flag = False
        startdate = ''
        enddate = ''
        if len(strDate) == 2:
            if self.compareDate(strDate[1], currentDate) > 0:
                flag = True
                startdate = strDate[0]
                enddate = strDate[1]
        elif len(strDate) == 1:
            # 2017.07.13 ~ 07.15
            if date.find(':') > 0:
                if self.compareDate(strDate[0], currentDate) >= 0:
                    flag = True
                    startdate = strDate[0]
                    enddate = strDate[0]
            else:
                startdate = strDate[0]
                enddate = date[0:5] + date[len(date) - 5:]
                if self.compareDate(enddate, currentDate) >= 0:
                    flag = True
        return flag, startdate, enddate

    def parse(self, response):
        site = Selector(response)
        sels = site.xpath("//div[@id ='eventList']/div[@class ='list']")
        keyword = response.meta['keyword']
        it_list = []

        for sel in sels:
            dates = sel.xpath('.//div[@class="info time"]/text()')

            if len(dates) > 0:
                strdate = str(dates[0].extract())
                flag, startdate, enddate = self.date_isValid(strdate)

                if flag:
                    title = str(sel.xpath('.//div[2]/h2/a/text()')[0].extract())
                    if title.find(keyword) > -1:
                        url = 'http://www.huodongshu.com' + str(sel.xpath('.//div[1]/a/@href')[0].extract())
                        it = SplashMeetingItem()
                        it['title'] = title
                        it['url'] = url
                        it['date'] = strdate
                        it['startdate'] = startdate
                        it['enddate'] = enddate
                        it['keyword'] = keyword
                        areas = sel.xpath('.//div[@class="info site"]/text()')
                        if len(areas) > 0:
                            it['area']=areas[0].extract()
                        sources = sel.xpath('.//div[@class="info title"]/a/text()')
                        if len(sources)>0:
                            it['source'] = sources[0].extract()
                        it_list.append(it)
        return it_list