基于Spider:手动请求
基于CrawlSpider
创建一个工程
cd XXX
创建爬虫文件(CrawlSpider):
scrapy genspider -t crawl xxx www.xxxx.com
LinkExtractor常见参数:
allow:满足括号中“正则表达式”的URL会被提取,如果为空,则全部匹配。
deny:满足括号中“正则表达式”的URL一定不会提取(优先级敢于allow)。
allow_domains:会被提取的链接的domains。
deny_domains:一定不会被提取链接的domains。
restrict_xpaths:使用xpath表达式,该参数与allow共同作痛过滤链接,xpath满足范围内的url地址会被提取
爬取XX网站中的新闻标题,时间 和新闻内容,标题
分析:爬取的数据没有在同一张页面中。
1.可以使用链接提取器提取所有的页码链接
2.让链接提取器提取所有的新闻详情页的链接
sun.py
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from sunPro.items import SunproItem,DetailItem
class SunSpider(CrawlSpider):
name = 'sun'
# allowed_domains = ['www.xxxx.com']
start_urls = ['https://www.shzh.net/baike/list-20.html']
#链接提取器:根据指定规则(allow="正则")进行指定链接的提取
link = LinkExtractor(allow=r'list-20/p_\d+.html')
link_detail = LinkExtractor(allow=r'detail-\d+')
rules = (
Rule(link, callback='parse_item', follow=True),
# follow=True:可以将链接提取器 继续作用到 连接提取器提取到的链接 所对应的页面中
Rule(link_detail, callback='parse_detail'),
)
#解析新闻标题和新闻的热度
#如下两个解析方法中是不可以实现请求传参!
#如法将两个解析方法解析的数据存储到同一个item中,可以以此存储到两个item
def parse_item(self, response):
#注意:xpath表达式中不可以出现tbody标签,用双斜杠//*[@id="morelist"]/div/table[2]//tr/td/table//tr
tr_list = response.xpath('/html/body/div[5]/div[1]/div[1]/div[2]/ul/li')
for tr in tr_list:
new_title = tr.xpath('./div[2]/div/a/text()').extract_first()
new_num = tr.xpath('./div[2]/div[3]/div/span[3]/text()').extract_first()
item = SunproItem()
item['title'] = new_title
item['new_num'] = new_num
yield item
#解析新闻内容和新闻标题
def parse_detail(self,response):
new_id = response.xpath('/html/body/div[5]/div[1]/div[1]/div[1]/text()').extract_first()
new_content = response.xpath('/html/body/div[5]/div[1]/div[1]/div[4]//text()').extract()
new_content = ''.join(new_content)
# print(new_id,new_content)
item = DetailItem()
item['content'] = new_content
item['new_id'] = new_id
yield item
items.py
import scrapy
class SunproItem(scrapy.Item):
# define the fields for your item here like:
title = scrapy.Field()
new_num = scrapy.Field()
class DetailItem(scrapy.Item):
new_id = scrapy.Field()
content = scrapy.Field()
管道pipelines.py
class SunproPipeline(object):
def process_item(self, item, spider):
#如何判定item的类型
#将数据写入数据库时,如何保证数据的一致性
if item.__class__.__name__ == 'DetailItem':
print(item['new_id'],item['content'])
pass
else:
print(item['new_num'],item['title'])
return item