博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
scrapy-splash抓取动态数据例子十二
阅读量:5953 次
发布时间:2019-06-19

本文共 4773 字,大约阅读时间需要 15 分钟。

  一、介绍

    本例子用scrapy-splash通过搜狗搜索引擎,输入给定关键字抓取资讯信息。

    给定关键字:数字;融合;电视

    抓取信息内如下:

      1、资讯标题

      2、资讯链接

      3、资讯时间

      4、资讯来源

 

  二、网站信息

    

     

 

 

 

      

 

 

      

 

 

 

  三、数据抓取

    针对上面的网站信息,来进行抓取

    1、首先抓取信息列表

      抓取代码:sels = site.xpath('//div[@class="vrwrap"]')

    2、抓取标题

      抓取代码:titles = sel.xpath('.//h3[@class="vrTitle"]/a/text()|.//h3[@class="vrTitle"]/a/em/text()')

    3、抓取链接

      抓取代码:it['url'] = sel.xpath('.//h3[@class="vrTitle"]/a/@href')[0].extract()

    4、抓取日期

      抓取代码:strdate = sel.xpath('.//p[@class="news-from"]/text()')

    5、抓取来源

      抓取代码:sources = sel.xpath('.//p[@class="news-from"]/text()')

  

   

  四、完整代码

# -*- coding: utf-8 -*-import scrapyfrom scrapy import Requestfrom scrapy.spiders import Spiderfrom scrapy_splash import SplashRequestfrom scrapy_splash import SplashMiddlewarefrom scrapy.http import Request, HtmlResponsefrom scrapy.selector import Selectorfrom scrapy_splash import SplashRequestfrom scrapy_ott.items import SplashTestItemfrom scrapy_ott.mongoDB import mongoDbBaseimport scrapy_ott.IniFileimport sysimport osimport reimport timereload(sys)sys.setdefaultencoding('utf-8')# sys.stdout = open('output.txt', 'w')class sougouSpider(Spider):    name = 'sougou'    db = mongoDbBase()    configfile = os.path.join(os.getcwd(), 'scrapy_ott\setting.conf')    cf = scrapy_ott.IniFile.ConfigFile(configfile)    information_keywords = cf.GetValue("section", "information_keywords")    information_wordlist = information_keywords.split(';')    # websearchurl = cf.GetValue("sougou", "websearchurl")    start_urls = []    for word in information_wordlist:        start_urls.append('http://news.sogou.com/news?page=1&query=' + word)        start_urls.append('http://news.sogou.com/news?page=2&query=' + word)        start_urls.append('http://news.sogou.com/news?page=3&query=' + word)    # request需要封装成SplashRequest    def start_requests(self):        for url in self.start_urls:            index = url.rfind('=')            yield SplashRequest(url                                , self.parse                                , args={
'wait': '2'}, meta={
'keyword': url[index + 1:]} ) def Comapre_to_days(self,leftdate, rightdate): ''' 比较连个字符串日期,左边日期大于右边日期多少天 :param leftdate: 格式:2017-04-15 :param rightdate: 格式:2017-04-15 :return: 天数 ''' l_time = time.mktime(time.strptime(leftdate, '%Y-%m-%d')) r_time = time.mktime(time.strptime(rightdate, '%Y-%m-%d')) result = int(l_time - r_time) / 86400 return result def date_isValid(self, strDateText): ''' 判断日期时间字符串是否合法:如果给定时间大于当前时间是合法,或者说当前时间给定的范围内 :param strDateText: 四种格式 '慧聪网 7小时前'; '新浪游戏 29分钟前' ; '中国行业研究网 2017-6-13' :return: True:合法;False:不合法 ''' currentDate = time.strftime('%Y-%m-%d') source = strDateText.split(' ')[0] if strDateText.find('分钟前') > 0 : return True,source,currentDate elif strDateText.find('小时前') > 0: datePattern = re.compile(r'\d{1,2}') ch = int(time.strftime('%H')) # 当前小时数 strDate = re.findall(datePattern, strDateText) if len(strDate) == 1: if int(strDate[0]) <= ch: # 只有小于当前小时数,才认为是今天 return True,source,currentDate else: datePattern = re.compile(r'\d{4}-\d{1,2}-\d{1,2}') strDate = re.findall(datePattern, strDateText) if len(strDate) == 1: if self.Comapre_to_days(currentDate, strDate[0]) == 0: return True,source,currentDate return False, '','' def parse(self, response): keyword = response.meta['keyword'] site = Selector(response) sels = site.xpath('//div[@class="vrwrap"]') item_list = [] for sel in sels: strdate = sel.xpath('.//p[@class="news-from"]/text()') if len(strdate)>0: flag, source, date = self.date_isValid(strdate[0].extract()) if flag: titles = sel.xpath('.//h3[@class="vrTitle"]/a/text()|.//h3[@class="vrTitle"]/a/em/text()') title = '' for t in titles: title += str(t.extract()) if title.find(keyword) > -1: it = SplashTestItem() it['source'] = source it['url'] = sel.xpath('.//h3[@class="vrTitle"]/a/@href')[0].extract() it['date'] = date it['keyword'] = keyword it['title'] = title item_list.append(it) if len(item_list)>0: self.db.SaveInformations(item_list) return item_list

 

转载地址:http://iwoxx.baihongyu.com/

你可能感兴趣的文章
【刘文彬】 Controller:EOS区块链核心控制器
查看>>
大数据开发套件DataIDE使用教程
查看>>
react-navigation使用介绍及UI组件外实现统一跳转
查看>>
RN与原生交互(二)——数据传递
查看>>
程序员必备技能-科学砍需求
查看>>
《记》rxjs分流操作符简单实现
查看>>
阿里开源 iOS 协程开发框架 coobjc源码分析
查看>>
【译】Effective TensorFlow Chapter11——在TensorFlow中调试模型
查看>>
Oracle · 一些实用语法
查看>>
源码阅读:SDWebImage(五)——SDWebImageFrame
查看>>
Webpack 10分钟入门
查看>>
自定义元素探秘及构建可复用组件最佳实践
查看>>
如何做好数据分析师的职业规划?
查看>>
Idea 快捷键
查看>>
如何让pm2支持es6
查看>>
Data Lake Analytics,大数据的ETL神器!
查看>>
解读百度AutoDL:打破SOTA纪录的神经架构搜索是如何炼成的
查看>>
Redis 服务器安装
查看>>
泛型之泛型类
查看>>
如何在NEO共识节点间分配任务
查看>>