Python爬蟲框架Scrapy實例（二）

目標任務：使用Scrapy框架爬取新浪網導航頁所有大類、小類、小類里的子鏈接、以及子鏈接頁面的新聞內容，最后保存到本地。

大類小類如下圖所示：

點擊國內這個小類，進入頁面后效果如下圖（部分截圖）：

查看頁面元素，得到小類里的子鏈接如下圖所示：

有子鏈接就可以發送請求來訪問對應新聞的內容了。

 

首先創建scrapy項目

# 創建項目
scrapy startproject sinaNews
# 創建爬蟲
scrapy genspider sina "sina.com.cn"

 

一、根據要爬取的字段創建item文件：

# -*- coding: utf-8 -*-

import scrapy
import sys
reload(sys)
sys.setdefaultencoding("utf-8")


class SinanewsItem(scrapy.Item):
    # 大類的標題和url
    parentTitle = scrapy.Field()
    parentUrls = scrapy.Field()

    # 小類的標題和子url
    subTitle = scrapy.Field()
    subUrls = scrapy.Field()

    # 小類目錄存儲路徑
    subFilename = scrapy.Field()

    # 小類下的子鏈接
    sonUrls = scrapy.Field()

    # 文章標題和內容
    head = scrapy.Field()
    content = scrapy.Field()

二、編寫spiders爬蟲文件

# -*- coding: utf-8 -*-

import scrapy
import os
from sinaNews.items import SinanewsItem
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= []
        # 所有大類的url 和 標題
        parentUrls = response.xpath('//div[@id="tab01"]/div/h3/a/@href').extract()
        parentTitle = response.xpath('//div[@id="tab01"]/div/h3/a/text()').extract()

        # 所有小類的ur 和 標題
        subUrls  = response.xpath('//div[@id="tab01"]/div/ul/li/a/@href').extract()
        subTitle = response.xpath('//div[@id="tab01"]/div/ul/li/a/text()').extract()

        #爬取所有大類
        for i in range(0, len(parentTitle)):
            # 指定大類目錄的路徑和目錄名
            parentFilename = "./Data/" + parentTitle[i]

            #如果目錄不存在，則創建目錄
            if(not os.path.exists(parentFilename)):
                os.makedirs(parentFilename)

            # 爬取所有小類
            for j in range(0, len(subUrls)):
                item = SinanewsItem()

                # 保存大類的title和urls
                item['parentTitle'] = parentTitle[i]
                item['parentUrls'] = parentUrls[i]

                # 檢查小類的url是否以同類別大類url開頭，如果是返回True (sports.sina.com.cn 和 sports.sina.com.cn/nba)
                if_belong = subUrls[j].startswith(item['parentUrls'])

                # 如果屬於本大類，將存儲目錄放在本大類目錄下
                if(if_belong):
                    subFilename =parentFilename + '/'+ subTitle[j]
                    # 如果目錄不存在，則創建目錄
                    if(not os.path.exists(subFilename)):
                        os.makedirs(subFilename)

                    # 存儲 小類url、title和filename字段數據
                    item['subUrls'] = subUrls[j]
                    item['subTitle'] =subTitle[j]
                    item['subFilename'] = subFilename

                    items.append(item)

        #發送每個小類url的Request請求，得到Response連同包含meta數據 一同交給回調函數 second_parse 方法處理
        for item in items:
            yield scrapy.Request( url = item['subUrls'], meta={'meta_1': item}, callback=self.second_parse)

    #對於返回的小類的url，再進行遞歸請求
    def second_parse(self, response):
        # 提取每次Response的meta數據
        meta_1= response.meta['meta_1']

        # 取出小類里所有子鏈接
        sonUrls = response.xpath('//a/@href').extract()

        items= []
        for i in range(0, len(sonUrls)):
            # 檢查每個鏈接是否以大類url開頭、以.shtml結尾，如果是返回True
            if_belong = sonUrls[i].endswith('.shtml') and sonUrls[i].startswith(meta_1['parentUrls'])

            # 如果屬於本大類，獲取字段值放在同一個item下便於傳輸
            if(if_belong):
                item = SinanewsItem()
                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)

        #發送每個小類下子鏈接url的Request請求，得到Response后連同包含meta數據 一同交給回調函數 detail_parse 方法處理
        for item in items:
                yield scrapy.Request(url=item['sonUrls'], meta={'meta_2':item}, callback = self.detail_parse)

    # 數據解析方法，獲取文章標題和內容
    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()

        # 將p標簽里的文本內容合並到一起
        for content_one in content_list:
            content += content_one

        item['head']= head
        item['content']= content

        yield item

 

三、編寫pipelines文件

# -*- coding: utf-8 -*-

from scrapy import signals
import sys
reload(sys)
sys.setdefaultencoding("utf-8")

class SinanewsPipeline(object):
    def process_item(self, item, spider):
        sonUrls = item['sonUrls']

        # 文件名為子鏈接url中間部分，並將 / 替換為 _，保存為 .txt格式
        filename = sonUrls[7:-6].replace('/','_')
        filename += ".txt"

        fp = open(item['subFilename']+'/'+filename, 'w')
        fp.write(item['content'])
        fp.close()

        return item

四、settings文件的設置

# 設置管道文件
ITEM_PIPELINES = {
   'sinaNews.pipelines.SinanewsPipeline': 300,
}

 執行命令

scrapy crwal sina

效果如下圖所示：

打開工作目錄下的Data目錄，顯示大類文件夾

 大開一個大類文件夾，顯示小類文件夾：

打開一個小類文件夾，顯示文章：