新浪网分类资讯爬虫
来源:互联网 发布:守望先锋辅助网站源码 编辑:程序博客网 时间:2024/05/17 09:09
新浪网分类资讯爬虫
思考:如何将已有的Scrapy爬虫项目,改写成scrapy-redis分布式爬虫。
要求:将所有对应的大类的 标题和urls、小类的 标题和urls、子链接url、文章名以及文章内容,存入Redis数据库。
以下为原Scrapy爬虫项目源码:
items.py
# -*- coding: utf-8 -*-import scrapyimport sysreload(sys)sys.setdefaultencoding("utf-8")class SinaItem(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()
pipelines.py
# -*- coding: utf-8 -*-from scrapy import signalsimport sysreload(sys)sys.setdefaultencoding("utf-8")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
settings.py
# -*- coding: utf-8 -*-BOT_NAME = 'Sina'SPIDER_MODULES = ['Sina.spiders']NEWSPIDER_MODULE = 'Sina.spiders'ITEM_PIPELINES = { 'Sina.pipelines.SinaPipeline': 300,}LOG_LEVEL = 'DEBUG'
spiders/sina.py
# -*- coding: utf-8 -*-from Sina.items import SinaItemimport scrapyimport osimport sysreload(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 = SinaItem() # 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 = SinaItem() 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执行
执行:
scrapy crawl sina
阅读全文
0 0
- 新浪网分类资讯爬虫
- (实战项目三)新浪网分类资讯爬虫
- 尝试改写新浪网分类资讯爬虫2
- 新添资讯分类
- 如何开发凤凰网资讯即时新闻采集爬虫
- 爬虫伪装方法分类
- 如何使用爬虫采集搜狐汽车新车资讯
- 新浪网搜索引擎
- 资讯的文本分类用lucene——TFIDF
- Nutch2.3.1 新闻分类爬虫
- Nutch2.3.1 新闻分类爬虫
- 4-爬虫的简单分类
- 爬虫学习01 什么是爬虫 爬虫的分类
- 资讯系统的爬虫——Linux crontab定时执行bash
- http://www.cn360cn.com/ 抓取分类爬虫
- scrapy时尚网站onylady图片分类爬虫
- Nutch2.3.1 新闻分类爬虫(借鉴)
- 购房流程 - 新浪网
- 重读 JVM
- Java中使用OpenSSL生成的RSA公私钥进行数据加解密
- Spark Streaming之checkpoint机制
- 实习第四天
- jquery轮播
- 新浪网分类资讯爬虫
- 多线程下单例模式终极奥义
- 数据库运维类视频, 百度网盘视频下载-自学之家 mysql全套视频教程 oracle ocp国外kechengyoutube oracle ocp课程(国外youtube) oracle oc
- SpringMVC配置
- 实现与优化深度神经网络
- threading
- 如何使用sklearn进行数据挖掘
- 使用 openssl 生成证书(含openssl详解)
- CentOS安装好服务后外网不能访问