scrapy-redis插件爬取示例

qq591577286

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[j].startswith(item['parentUrls'])
　　

　　
                if (if_belong):
　　
                    # 存储小类url、title和filename字段数据
　　
                    item['subUrls'] = subUrls[j]
　　
                    item['subTitle'] = subTitle[j]
　　
                    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[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 = 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[0] 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/