您当前的位置:首页 > 计算机 > 编程开发 > Python

CrawlSpider爬取全站所有数据

时间:05-19来源:作者:点击数:

全站数据爬取的方式

基于Spider:手动请求

基于CrawlSpider

基于CrawlSpider爬取全部数据

创建一个工程

cd XXX

创建爬虫文件(CrawlSpider):

scrapy genspider -t crawl xxx www.xxxx.com

链接提取器

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

需求

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

代码实现

获取每个页码页面链接

获取页面的标题和时间

获取每个详情页url规则

代码示例

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
方便获取更多学习、工作、生活信息请关注本站微信公众号城东书院 微信服务号城东书院 微信订阅号
推荐内容
相关内容
栏目更新
栏目热门