一.项目简介
该爬虫是使用Python框架Scrapy开发,用来爬取新浪网首页分类的爬虫项目,适合新手用来学习Scrapy框架的使用及开发流程。
爬虫的目标网站地址:http://news.sina.com.cn/guide/
项目一共要爬取三级内容,分别是大类,小类,小类中的资讯文章。如下图所示,新闻,体育是一个大类,新闻大类下有国内,国际,社会等几个小类
在国际小类中,有很多资讯文章,该爬虫的最终目标就是爬取这些资讯文章的内容。
我们需要做的工作是为每个大类创建一个文件夹,每个大类的文件夹下为其对应的小类再创建一个子文件夹,然后将资讯文件存储到对应的小类文件夹中
最终效果展示:
二.项目过程
1.使用命令创建Scrapy爬虫项目
首先要安装Scrapy框架,Scrapy的安装在我的另一篇博客:https://blog.csdn.net/eagleuniversityeye/article/details/80644804
scrapy startproject mySpider
2.使用命令创建sina爬虫
scrapy genspider sina
3.完善sina爬虫
class SinaSpider(scrapy.Spider):
name = "sina"
allowed_domains = ["sina.com.cn"]
start_urls = [
"http://news.sina.com.cn/guide/"
]
def parse(self, response):
items = []
# 所有大类的url 和 标题
parentUrls = response.xpath('//div[@id=\"tab01\"]/div/h3/a/@href').extract()
parentTitle = response.xpath("//div[@id=\"tab01\"]/div/h3/a/text()").extract()
# 所有小类的ur 和 标题
subUrls = response.xpath('//div[@id=\"tab01\"]/div/ul/li/a/@href').extract()
subTitle = response.xpath('//div[@id=\"tab01\"]/div/ul/li/a/text()').extract()
# 爬取所有大类
for i in range(0, len(parentTitle)):
# 指定大类目录的路径和目录名
parentFilename = "./Data/" + parentTitle[i]
# 如果目录不存在,则创建目录
if not os.path.exists(parentFilename):
os.makedirs(parentFilename)
# 爬取所有小类
for j in range(0, len(subUrls)):
item = MySpiderItem()
# 保存大类的title和urls
item['parentTitle'] = parentTitle[i]
item['parentUrls'] = parentUrls[i]
# 检查小类的url是否以同类别大类url开头,如果是返回True (sports.sina.com.cn 和 sports.sina.com.cn/nba)
if_belong = subUrls[j].startswith(item['parentUrls'])
# 如果属于本大类,将存储目录放在本大类目录下
if if_belong:
subFilename = parentFilename + '/' + subTitle[j]
# 如果目录不存在,则创建目录
if not os.path.exists(subFilename):
os.makedirs(subFilename)
# 存储 小类url、title和filename字段数据
item['subUrls'] = subUrls[j]
item['subTitle'] = subTitle[j]
item['subFilename'] = subFilename
items.append(item)
# 发送每个小类url的Request请求,得到Response连同包含meta数据 一同交给回调函数 second_parse 方法处理
for item in items:
yield scrapy.Request(url=item['subUrls'], meta={'meta_1': item}, callback=self.second_parse)
# 对于返回的小类的url,再进行递归请求
def second_parse(self, response):
# 提取每次Response的meta数据
meta_1 = response.meta['meta_1']
# 取出小类里所有子链接
sonUrls = response.xpath('//a/@href').extract()
items = []
for i in range(0, len(sonUrls)):
# 检查每个链接是否以大类url开头、以.shtml结尾,如果是返回True
if_belong = sonUrls[i].endswith('.shtml') and sonUrls[i].startswith(meta_1['parentUrls'])
# 如果属于本大类,获取字段值放在同一个item下便于传输
if if_belong:
item = MySpiderItem()
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)
# 发送每个小类下子链接url的Request请求,得到Response后连同包含meta数据 一同交给回调函数 detail_parse 方法处理
for item in items:
yield scrapy.Request(url=item['sonUrls'], meta={'meta_2': item}, callback=self.detail_parse)
# 数据解析方法,获取文章标题和内容
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()
# 将p标签里的文本内容合并到一起
for content_one in content_list:
content += content_one
item['head'] = head
item['content'] = content
yield item
4.完善items文件
class MySpiderItem(scrapy.Item):
# 大类的标题 和 url
parentTitle = scrapy.Field()
parentUrls = scrapy.Field()
# 小类的标题 和 子url
subTitle = scrapy.Field()
subUrls = scrapy.Field()
# 小类目录存储路径
subFilename = scrapy.Field()
# 小类下的子链接
sonUrls = scrapy.Field()
# 文章标题和内容
head = scrapy.Field()
content = scrapy.Field()
5.完善pipelines文件
class SinaPipeline(object):
def process_item(self, item, spider):
sonUrls = item['sonUrls']
# 文件名为子链接url中间部分,并将 / 替换为 _,保存为 .txt格式
filename = sonUrls[7:-6].replace('/', '_')
filename += ".txt"
fp = open(item['subFilename'] + '/' + filename, 'w')
fp.write(item['content'])
fp.close()
return item
6.在setting添加设置
BOT_NAME = 'mySpider'
SPIDER_MODULES = ['mySpider.spiders']
NEWSPIDER_MODULE = 'mySpider.spiders'
ITEM_PIPELINES = {
'mySpider.pipelines.SinaPipeline': 300,
}
LOG_LEVEL = 'DEBUG'
7.创建爬虫启动文件
在爬虫项目的根目录下创建一个文件名为main.py的文件
使用该文件设置命令启动爬虫,注意启动命令为:scrapy crawl 爬虫名
,爬虫名就是你在第二步创建的爬虫的名字,注意两两个名称要对应
from scrapy import cmdline
cmdline.execute('scrapy crawl sina'.split())
8.设置启动项
在PyCharm中设置项目启动方式,如下图所示,主要配置这两点。该项目使用的是Python3,如果使用Python2还需要进行编码转换,这里不再赘述