Python:新浪网分类资讯爬虫

爬取新浪网导航页所有下所有大类、小类、小类里的子链接，以及子链接页面的新闻内容。

效果演示图：

items.py

      import scrapy
      import sys
      reload(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()
  
 

spiders/sina.py

      # -*- coding: utf-8 -*-
      # -*- coding: utf-8 -*-
      from Sina.items import SinaItem
      import scrapy
      import os
      import sys
      reload(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
  
 

pipelines.py

      from scrapy import signals
      import sys
      reload(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

      BOT_NAME = 'Sina'
      SPIDER_MODULES = ['Sina.spiders']
      NEWSPIDER_MODULE = 'Sina.spiders'
      ITEM_PIPELINES = {
         'Sina.pipelines.SinaPipeline': 300,
      }
      LOG_LEVEL = 'DEBUG'
  
 

在项目根目录下新建main.py文件,用于调试

      from scrapy import cmdline
      cmdline.execute('scrapy crawl sina'.split())
  
 

执行程序

py2 main.py
 

文章来源: lansonli.blog.csdn.net，作者：Lansonli，版权归原作者所有，如需转载，请联系作者。

原文链接：lansonli.blog.csdn.net/article/details/103114288