1.明确任务
目标网站：http://fz.people.com.cn/skygb/sk/index.php/Index/seach
抓取任务：抓取近五年某关键词（例如"能源"、”大数据“等）的搜索结果，抓取内容包括项目编号、项目名称、学科分类等十一个字段。
2.网站分析
利用Fiddler工具分析，输入关键词，指定年份后，点击搜索，针对有多页码搜索结果点击下一页，发现此过程共包括一个POST请求和一个GET请求；其中，指定关键词和年份点击搜索的过程为POST请求，点击下一页的过程为GET请求。
POST请求参数：
formdata = {
‘xmname‘: ‘‘,
‘xktype‘: ‘0‘,
‘xmtype‘: ‘0‘,
‘cglevel‘: ‘0‘,
‘cbdate ‘: ‘0‘,
‘cgxs‘: ‘0‘,
‘lxtime‘: ‘‘,
‘ssxt‘: ‘0‘,
‘zyzw‘: ‘0‘,
‘dwtype‘: ‘0‘,
‘jxdata‘: ‘0‘,
‘szdq‘: ‘0‘,
‘pznum‘: ‘‘,
‘cgname‘: ‘‘,
‘jxnum‘: ‘‘,
‘cbs‘: ‘‘,
‘xmleader‘: ‘‘,
‘hj‘: ‘‘,
‘gzdw‘: ‘‘,
‘zz‘: ‘‘
}
POST请求目标URL：http://fz.people.com.cn/skygb/sk/index.php/Index/seach
GET请求只需要指定参数p即可，因此构造GET请求url为：
n_url = self.url + ‘?‘ + ‘xmname={}&p={}‘.format(formdata[‘xmname‘], self.page)
其中，xmname为搜索关键词，p为第几页的页码。
3.代码编写
3.1 创建scrapy爬虫项目
创建项目，名为ProSearch，使用命令：
scrapy startproject ProSearch http://fz.people.com.cn
3.2 明确抓取字段
创建爬虫项目后，编写items.py文件，明确待抓取的字段
# -*- coding: utf-8 -*-
import scrapy
class ProsearchItem(scrapy.Item):
# 关键词
keyword = scrapy.Field()
# 项目编号
pronums = scrapy.Field()
# 项目类别
protype = scrapy.Field()
# 学科类别
subtype = scrapy.Field()
# 项目名称
proname = scrapy.Field()
# 立项时间
protime = scrapy.Field()
# 负责人
leaders = scrapy.Field()
# 工作单位
workloc = scrapy.Field()
# 单位类别
orgtype = scrapy.Field()
# 所在省市
provloc = scrapy.Field()
# 所属系统
systloc = scrapy.Field()
3.3 生成爬虫文件
在cmd窗口进入到ProSearch项目后，生成爬虫文件。使用命令：
scrapy genspider SearchPro
3.4 编写爬虫逻辑
生成爬虫文件后，来到spiders文件夹下的SearchPro.py文件，开始辨写爬虫逻辑。
# -*- coding: utf-8 -*-
import scrapy
from ProSearch.items import ProsearchItem
class SearchproSpider(scrapy.Spider):
name = ‘SearchPro‘ # 爬虫名称
allowed_domains = [‘fz.people.com.cn‘]
# start_urls = [‘http://fz.people.com.cn/skygb/sk/index.php/Index/seach‘]
page = 1
# 指定检索关键词
keywords = [‘可持续‘, ‘互联网‘, ‘大数据‘, ‘能源‘]
# 角标
index = 0
# 年份
years = 2018
# POST提交参数
formdata = {
‘xmname‘: ‘‘,
‘xktype‘: ‘0‘,
‘xmtype‘: ‘0‘,
‘cglevel‘: ‘0‘,
‘cbdate ‘: ‘0‘,
‘cgxs‘: ‘0‘,
‘lxtime‘: ‘‘,
‘ssxt‘: ‘0‘,
‘zyzw‘: ‘0‘,
‘dwtype‘: ‘0‘,
‘jxdata‘: ‘0‘,
‘szdq‘: ‘0‘,
‘pznum‘: ‘‘,
‘cgname‘: ‘‘,
‘jxnum‘: ‘‘,
‘cbs‘: ‘‘,
‘xmleader‘: ‘‘,
‘hj‘: ‘‘,
‘gzdw‘: ‘‘,
‘zz‘: ‘‘
}
# 参数提交的url
url = "http://fz.people.com.cn/skygb/sk/index.php/Index/seach"
def start_requests(self):
"""
POST请求实现一般是重写start_requests函数，指定第一个关键词为默认检索关键词
:return:
"""
self.formdata[‘xmname‘] = ‘可持续‘
self.formdata[‘lxtime‘] = str(self.years)
yield scrapy.FormRequest(
url=self.url,
formdata=self.formdata,
callback=self.parse,
meta={‘formdata‘: self.formdata}
)
def parse(self, response):
"""
解析数据
:param response:
:return:
"""
if response.meta[‘formdata‘]:
formdata = response.meta[‘formdata‘]
# 每行数据所在节点
try:
node_list = response.xpath("//div[@class=‘jc_a‘]/table/*")[1:]
except:
print("关键词‘{}’无搜索结果!".format(formdata[‘xmname‘]))
for node in node_list:
# 提取数据
item = ProsearchItem()
# 关键词
item[‘keyword‘] = formdata[‘xmname‘]
# 项目编号
item[‘pronums‘] = node.xpath(‘./td[1]/span/text()‘).extract_first()
# 项目类别
item[‘protype‘] = node.xpath(‘./td[2]/span/text()‘).extract_first()
# 学科类别
item[‘subtype‘] = node.xpath(‘./td[3]/span/text()‘).extract_first()
# 项目名称
item[‘proname‘] = node.xpath(‘./td[4]/span/text()‘).extract_first()
# 立项时间
item[‘protime‘] = node.xpath(‘./td[5]/span/text()‘).extract_first()
# 负责人
item[‘leaders‘] = node.xpath(‘./td[6]/span/text()‘).extract_first()
# 工作单位
item[‘workloc‘] = node.xpath(‘./td[8]/span/text()‘).extract_first()
# 单位类别
item[‘orgtype‘] = node.xpath(‘./td[9]/span/text()‘).extract_first()
# 所属省市
item[‘provloc‘] = node.xpath(‘./td[10]/span/text()‘).extract_first()
# 所属系统
item[‘systloc‘] = node.xpath(‘./td[11]/span/text()‘).extract_first()
yield item
# 匹配下一页的数据
if ‘下一页‘ in response.xpath("//div[@class=‘page clear‘]/a").extract():
self.page += 1
n_url = self.url + ‘?‘ + ‘xmname={}&p={}‘.format(formdata[‘xmname‘], self.page)
yield scrapy.Request(url=n_url, callback=self.parse, meta={‘formdata‘: formdata})
# 匹配其他年份的数据
searcy_year = int(formdata[‘lxtime‘])
if not searcy_year <= 2014:
searcy_year -= 1
formdata[‘lxtime‘] = str(searcy_year)
print("检索关键词：{}!".format(formdata[‘xmname‘]))
yield scrapy.FormRequest(
url=self.url,
formdata=formdata,
callback=self.parse,
meta={‘formdata‘: formdata}
)
# 其他关键词搜索
else:
self.index += 1
if not self.index > len(self.keywords)-1:
keyword = self.keywords[self.index]
print("更新检索关键词为：{}".format(keyword))
formdata[‘xmname‘] = keyword
formdata[‘lxtime‘] = str(self.years)
yield scrapy.FormRequest(
url=self.url,
formdata=formdata,
callback=self.parse,
meta={‘formdata‘: formdata}
)
3.5 编写数据保存逻辑
本项目用excel对数据进行保存。在pipelines.py文件中编写数据保存的逻辑。
# -*- coding: utf-8 -*-
from openpyxl import Workbook
class ProsearchPipeline(object):
def __init__(self):
# 创建excel表格保存数据
self.workbook = Workbook()
self.booksheet = self.workbook.active
self.booksheet.append([‘关键词‘, ‘项目编号‘, ‘项目类别‘, ‘学科类别‘, ‘项目名称‘, ‘立项时间‘, ‘负责人‘, ‘工作单位‘, ‘单位类别‘, ‘所在省市‘, ‘所属系统‘])
def process_item(self, item, spider):
DATA = [
item[‘keyword‘], item[‘pronums‘], item[‘protype‘], item[‘subtype‘], item[‘proname‘], item[‘protime‘], item[‘leaders‘], item[‘workloc‘], item[‘orgtype‘], item[‘provloc‘], item[‘systloc‘]
]
self.booksheet.append(DATA)
self.workbook.save(‘./data/ProSearch.xls‘)
return item
3.6 其他细节
到此基本内容完成，设置一下settings.py文件对细节进行处理基本爬虫就可以运行了。
处理一：打开pipline通道
处理二：添加随机请求头并打开下载中间件
处理三：添加重拾、延时、log级别等
处理四：编写脚本main.py文件
scrapy默认使用命令行进行创建、生成、爬去等任务，可尝试在整个项目下编写一个main.py文件，将爬去命令添加到py文件中，直接在编辑器中F5运行。
下次每次运行main.py文件就可以直接运行了。
4.完整代码
原文地址：https://www.cnblogs.com/pythoner6833/p/10272133.html
时间： 2024-11-05 20:44:04