qq591577286 发表于 2018-11-3 09:56:50

scrapy-redis插件爬取示例

items.py  
import scrapy
  
class SinaItem(scrapy.Item):
  
    # define the fields for your item here like:
  
    # name = scrapy.Field()
  
    pass
  

  
class SinanewsItem(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
  
    sonUrl = scrapy.Field()
  

  
    #文章标题和内容
  
    head = scrapy.Field()
  
    content = scrapy.Field()
  

  
爬虫脚本sina01.py
  
# -*- coding: utf-8 -*-
  
import scrapy
  
from ..items import SinanewsItem
  
from scrapy_redis.spiders import RedisSpider
  

  

  
class Sina01Spider(RedisSpider):
  
    name = 'sina01'
  
    #启动爬虫时的命令
  
    redis_key = "sinaspider:start_urls"
  

  
    #allowed_domains = ['sina.com']
  
    # start_urls = ['http://sina.com/']
  

  
    #动态定义爬虫取域范围
  
    def __init__(self, *args, **kwargs):
  
      domain = kwargs.pop('domain', '')
  
      self.allowed_domains = filter(None, domain.split(','))
  
      super(Sina01Spider, self).__init__(*args, **kwargs)
  

  

  
    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url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)):
  
            #爬取所有小类
  
            for j in range(0, len(subUrls)):
  
                item = SinanewsItem()
  
                #保存大类的title和urls
  
                item['parentTitle'] = parentTitle
  
                item['parentUrls'] = parentUrls
  

  
                #检查小类的url是否以同类别大类url开头,如果是返回True
  
                if_belong = subUrls.startswith(item['parentUrls'])
  

  
                if (if_belong):
  
                  # 存储小类url、title和filename字段数据
  
                  item['subUrls'] = subUrls
  
                  item['subTitle'] = subTitle
  
                  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,在进行递归请求
  
    def second_parse(self, response):
  
      #提取每次Response的meta数据
  
      meta_1 = response.meta['meta_1']
  
      #取出小类的所有子链接
  
      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.endswith('.shtml') and sonUrls.startwith(meta_1)
  
            # 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 = SinanewsItem()
  
                item['parentTitle'] = meta_1['parentTitle']
  
                item['parentUrls'] = meta_1['parentUrls']
  
                item['subUrls'] = meta_1['subUrls']
  
                item['subTitle'] = meta_1['subTitle']
  
                item['sonUrls'] = sonUrls
  
                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 if len(head) > 0 else "NULL"
  
            item['content'] = content
  

  
            yield item
  

  
settings.py添加
  
# 使用scrapy-redis里的去重组件,不使用scrapy默认的去重方式
  
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
  
# 使用scrapy-redis里的调度器组件,不使用默认的调度器
  
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
  
# 允许暂停,redis请求记录不丢失
  
SCHEDULER_PERSIST = True
  
# 默认的scrapy-redis请求队列形式(按优先级)
  
SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
  
# 队列形式,请求先进先出
  
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
  
# 栈形式,请求先进后出
  
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"
  

  
# 只是将数据放到redis数据库,不需要写pipelines文件
  
ITEM_PIPELINES = {
  
#    'Sina.pipelines.SinaPipeline': 300,
  
    'scrapy_redis.pipelines.RedisPipeline': 400,
  
}
  

  
# LOG_LEVEL = 'DEBUG'
  

  
# Introduce an artifical delay to make use of parallelism. to speed up the
  
# crawl.
  
DOWNLOAD_DELAY = 1
  
# 指定数据库的主机IP
  
REDIS_HOST = "localhost"
  
# 指定数据库的端口号
  
REDIS_PORT = 6379
  

  
打开redis客户端添加url测试
  
lpush sinaspider:start_urls http://news.sina.com.cn/guide/


页: [1]
查看完整版本: scrapy-redis插件爬取示例