首先，在items.py中定义几个字段用来保存网页数据（网址，标题，网页源码）
如下所示：
import scrapy
class MycnblogsItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
page_title = scrapy.Field()
page_url = scrapy.Field()
page_html = scrapy.Field()
最重要的是我们的spider，我们这里的spider继承自CrawlSpider，方便我们定义正则来提示爬虫需要抓取哪些页面。
如：爬去下一页，爬去各个文章
在spdier中，我们使用parse_item方法来解析目标网页，从而得到文章的网址，标题和内容。
注：在parse_item方法中，我们在得到的html源码中，新增了base标签，这样打开下载后的html文件，不至于页面错乱，而是使用博客园的css样式
spdier源码如下:
# -*- coding: utf-8 -*-
from mycnblogs.items import MycnblogsItem
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CnblogsSpider(CrawlSpider):
name = "cnblogs"
allowed_domains = ["cnblogs.com"]
start_urls = [‘http://www.cnblogs.com/hongfei/‘]
rules = (
# 爬取下一页，没有callback，意味着follow为True
Rule(LinkExtractor(allow=(‘default.html\?page=\d+‘,))),
# 爬取所有的文章，并使用parse_item方法进行解析，得到文章网址，文章标题，文章内容
Rule(LinkExtractor(allow=(‘hongfei/p/‘,)), callback=‘parse_item‘),
Rule(LinkExtractor(allow=(‘hongfei/articles/‘,)), callback=‘parse_item‘),
Rule(LinkExtractor(allow=(‘hongfei/archive/\d+/\d+/\d+/\d+.html‘,)), callback=‘parse_item‘),
)
def parse_item(self, response):
item = MycnblogsItem()
item[‘page_url‘] = response.url
item[‘page_title‘] = response.xpath("//title/text()").extract_first()
html = response.body.decode("utf-8")
html = html.replace("<head>", "<head><base href=‘http://www.cnblogs.com/‘>")
item[‘page_html‘] = html
yield item
在pipelines.py文件中，我们使用process_item方法来处理返回的item
# -*- 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
import codecs
class MycnblogsPipeline(object):
def process_item(self, item, spider):
file_name = ‘./blogs/‘ + item[‘page_title‘] + ‘.html‘
with codecs.open(filename=file_name, mode=‘wb‘, encoding=‘utf-8‘) as f:
f.write(item[‘page_html‘])
return item
以下是item pipeline的一些典型应用：
- 清理HTML数据
- 验证爬取的数据(检查item包含某些字段)
- 查重(并丢弃)
- 将爬取结果保存到数据库中
为了启用一个Item Pipeline组件，你必须将它的类添加到 ITEM_PIPELINES 配置，就像下面这个例子:
ITEM_PIPELINES = {
‘mycnblogs.pipelines.MycnblogsPipeline‘: 300,
}
程序运行后，将采集所有的文章到本地，如下所示：
原文地址：http://www.cnblogs.com/hongfei/p/6659934.html
时间： 2024-10-12 19:47:26