1、创建项目
在开始爬取之前,您必须创建一个新的Scrapy项目。进入您打算存储代码的目录中,运行新建命令。
例如,我需要在D:\00Coding\Python\scrapy目录下存放该项目,打开命令窗口,进入该目录,执行以下命令:
scrapy startproject tutorial
PS:tutorial可以替换成任何你喜欢的名称,最好是英文
该命令将会创建包含下列内容的 tutorial 目录:
tutorial/ scrapy.cfg tutorial/ __init__.py items.py pipelines.py settings.py spiders/ __init__.py ...
这些文件分别是:
scrapy.cfg: 项目的配置文件
tutorial/: 该项目的python模块。之后您将在此加入代码。
tutorial/items.py: 项目中的item文件.
tutorial/pipelines.py: 项目中的pipelines文件.
tutorial/settings.py: 项目的设置文件.
tutorial/spiders/: 放置spider代码的目录.
2、定义Item
Item 是保存爬取到的数据的容器;其使用方法和python字典类似,并且提供了额外保护机制来避免拼写错误导致的未定义字段错误。我们需要从想要爬取的网站(这里爬取新浪新闻)中获取以下属性:
新闻大类url、新闻大类title;
新闻小类url、新闻小类title;
新闻url、新闻title;
新闻标题、新闻内容;
对此,在item中定义相应的字段。编辑tutorial目录中的 items.py 文件:
[python] view plain copy
- from scrapy.item import Item, Field
- class TutorialItem(Item):
- # define the fields for your item here like:
- # name = scrapy.Field()
- parent_title = Field()
- parent_url = Field()
- second_title = Field()
- second_url = Field()
- path = Field()
- link_title = Field()
- link_url = Field()
- head= Field()
- content = Field()
- pass
3、编写爬虫(Spider)
Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。
1、sinaSpider.py文件:
包含了一个用于下载的初始URL,如何跟进网页中的链接以及如何分析页面中的内容,提取生成 item 的方法。为了创建一个Spider,您必须继承 scrapy.Spider 类,且定义以下三个属性:
name:用于区别Spider。该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。
start_urls:包含了Spider在启动时进行爬取的url列表。因此,第一个被获取到的页面将是其中之一。后续的URL则从初始的URL获取到的数据中提取。
parse() 是spider的一个方法。被调用时,每个初始URL完成下载后生成的Response 对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据(response data),提取数据(生成item)以及生成需要进一步处理的URL的Request 对象。
当我们爬取了大类,然后这时候没有保存item,而是传递item到小类,爬取完小类之后,我们需要去新闻详情页爬取新闻的内容和标题:
主要思路是:paser->second_paser->detail_parse
以下是sinaSpider的全部代码:
[python] view plain copy
- # -*-coding: utf-8 -*-
- __author__= ‘George‘
- import sys, os
- reload(sys)
- sys.setdefaultencoding("utf-8")
- from scrapy.spider import Spider
- from scrapy.http import Request
- from scrapy.selector import Selector
- from tutorial.items import TutorialItem
- base ="d:/dataset/" #存放文件分类的目录
- class SinaSpider(Spider):
- name= "sina"
- allowed_domains= ["sina.com.cn"]
- start_urls= [
- "http://news.sina.com.cn/guide/"
- ]#起始urls列表
- def parse(self, response):
- items= []
- sel= Selector(response)
- big_urls=sel.xpath(‘//div[@id=\"tab01\"]/div/h3/a/@href‘).extract()#大类的url
- big_titles=sel.xpath("//div[@id=\"tab01\"]/div/h3/a/text()").extract()
- second_urls =sel.xpath(‘//div[@id=\"tab01\"]/div/ul/li/a/@href‘).extract()#小类的url
- second_titles=sel.xpath(‘//div[@id=\"tab01\"]/div/ul/li/a/text()‘).extract()
- for i in range(1,len(big_titles)-1):#这里不想要第一大类,big_title减去1是因为最后一个大类,没有跳转按钮,也去除
- file_name = base + big_titles[i]
- #创建目录
- if(not os.path.exists(file_name)):
- os.makedirs(file_name)
- for j in range(19,len(second_urls)):
- item = TutorialItem()
- item[‘parent_title‘] =big_titles[i]
- item[‘parent_url‘] =big_urls[i]
- if_belong =second_urls[j].startswith( item[‘parent_url‘])
- if(if_belong):
- second_file_name =file_name + ‘/‘+ second_titles[j]
- if(not os.path.exists(second_file_name)):
- os.makedirs(second_file_name)
- item[‘second_url‘] = second_urls[j]
- item[‘second_title‘] =second_titles[j]
- item[‘path‘] =second_file_name
- items.append(item)
- for item in items:
- yield Request(url=item[‘second_url‘],meta={‘item_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):
- sel= Selector(response)
- item_1= response.meta[‘item_1‘]
- items= []
- bigUrls= sel.xpath(‘//a/@href‘).extract()
- for i in range(0, len(bigUrls)):
- if_belong =bigUrls[i].endswith(‘.shtml‘) and bigUrls[i].startswith(item_1[‘parent_url‘])
- if(if_belong):
- item = TutorialItem()
- item[‘parent_title‘] =item_1[‘parent_title‘]
- item[‘parent_url‘] =item_1[‘parent_url‘]
- item[‘second_url‘] =item_1[‘second_url‘]
- item[‘second_title‘] =item_1[‘second_title‘]
- item[‘path‘] = item_1[‘path‘]
- item[‘link_url‘] = bigUrls[i]
- items.append(item)
- for item in items:
- yield Request(url=item[‘link_url‘], meta={‘item_2‘:item},callback=self.detail_parse)
- def detail_parse(self, response):
- sel= Selector(response)
- item= response.meta[‘item_2‘]
- content= ""
- head=sel.xpath(‘//h1[@id=\"artibodyTitle\"]/text()‘).extract()
- content_list=sel.xpath(‘//div[@id=\"artibody\"]/p/text()‘).extract()
- for content_one in content_list:
- content += content_one
- item[‘head‘]= head
- item[‘content‘]= content
- yield item
2、pipelines.py
主要是对于抓取数据的保存(txt),这里把文件名命名为链接中‘/‘替换成‘_‘
[python] view plain copy
- # -*- coding: utf-8 -*-
- # Define your item pipelines here
- #
- # Don‘t forget to add your pipeline to the ITEM_PIPELINES setting
- # See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
- from scrapy import signals
- import json
- import codecs
- import sys
- reload(sys)
- sys.setdefaultencoding( "utf-8" )
- class SinaPipeline(object):
- def process_item(self, item, spider):
- link_url = item[‘link_url‘]
- file_name = link_url[7:-6].replace(‘/‘,‘_‘)
- file_name += ".txt"
- fp = open(item[‘path‘]+‘/‘+file_name, ‘w‘)
- fp.write(item[‘content‘])
- fp.close()
- return item
3、setting.py
这是设置文件,这里需要设置同时开启的线程数目、日志打印的级别等
[python] view plain copy
- # -*- coding: utf-8 -*-
- BOT_NAME = ‘tutorial‘
- SPIDER_MODULES = [‘tutorial.spiders‘]
- NEWSPIDER_MODULE = ‘tutorial.spiders‘
- ITEM_PIPELINES = {
- ‘tutorial.pipelines.SinaPipeline‘: 300,
- }
- LOG_LEVEL = ‘INFO‘
- ROBOTSTXT_OBEY = True
爬取结果
这里的文件夹是根据分类,然后创建的;
这是大类的文件夹,现在我们已经将item都爬下来了,就需要存了,这里只想要存内容,所以直接将item里面的content字段的内容写入txt。
这里通过将链接进行处理,转换成文件名,最后保存到所属的那个类里;
原文地址:https://www.cnblogs.com/ws0751/p/8183428.html