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