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