scrapy框架爬取虎扑论坛球队新闻

其他 2018-11-19 12:58:01 阅读次数: 0

用python爬虫scrapy框架爬取虎扑论坛的30支球队新闻

Scrapy 框架

  • Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

  • 框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。

  • Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

制作 Scrapy 爬虫 一共需要4步：

  • 新建项目 (scrapy startproject xxx)：新建一个新的爬虫项目
  • 明确目标 （编写items.py）：明确你想要抓取的目标
  • 制作爬虫 （spiders/xxspider.py）：制作爬虫开始爬取网页
  • 存储内容 （pipelines.py）：设计管道存储爬取内容

Scrapy的安装介绍

Scrapy框架官方网址：http://doc.scrapy.org/en/latest

Scrapy中文维护站点：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Windows 安装方式

  • Python 2 / 3
  • 升级pip版本：pip install --upgrade pip
  • 通过pip 安装 Scrapy 框架pip install Scrapy

一. 新建项目(scrapy startproject)

  • 在开始爬取之前，必须创建一个新的Scrapy项目。进入自定义的项目目录中，运行下列命令：
     scrapy startproject HupuSpider
  • 其中， HupuSpider为项目名称(自定义)，可以看到 将会创建一个 HupuSpider文件夹，目录结构大致如下：

                

下面来简单介绍一下各个主要文件的作用：

 scrapy.cfg ：项目的配置文件

 mySpider/ ：项目的Python模块，将会从这里引用代码

扫描二维码关注公众号，回复： 4143152 查看本文章

 mySpider/items.py ：项目的目标文件

 mySpider/pipelines.py ：项目的管道文件

 mySpider/settings.py ：项目的设置文件

 mySpider/spiders/ ：存储爬虫代码目录

二、明确目标(mySpider/items.py)

我们打算抓取：https://voice.hupu.com/nba 网站里的30支球队新闻内容以及新闻配图。

  1. 打开mySpider目录下的items.py

  2. Item 定义结构化数据字段，用来保存爬取到的数据，有点像Python中的dict，但是提供了一些额外的保护减少错误。

  3. 可以通过创建一个 scrapy.Item 类， 并且定义类型为 scrapy.Field的类属性来定义一个Item（可以理解成类似于ORM的映射关系）。

  4. 接下来，创建一个HupuSpiderItem类，和构建item模型（model）。

    class HupuspiderItem(scrapy.Item):
        # 球队名称
        teamname = scrapy.Field()
        # 球队url
        teamurl = scrapy.Field()
        # 新闻标题
        newstitle=scrapy.Field()
        # 新闻链接
        newsurl=scrapy.Field()
        # 新闻内容
        content=scrapy.Field()
        # 新闻配图url
        imageurl=scrapy.Field()

三、制作爬虫 （spiders/itcastSpider.py）

爬虫功能要分两步：

1. 爬数据

  • 在当前目录下输入命令，将在mySpider/spider目录下创建一个名为nba_news的爬虫，并指定爬取域的范围：
    scrapy genspider nba_news "hupu.com"
  • 打开 mySpider/spider目录里的 nba_news.py，默认增加了下列代码:
    
import scrapy

    class NbaNewsSpider(scrapy.Spider):
        name = "nba_news"
        allowed_domains = ["hupu.com"]
        start_urls = (
            'https://www.hupu.com/',
        )

        def parse(self, response):
            pass

其实也可以由我们自行创建itcast.py并编写上面的代码，只不过使用命令可以免去编写固定代码的麻烦

要建立一个Spider， 你必须用scrapy.Spider类创建一个子类，并确定了三个强制的属性 和 一个方法。

  • name = "" ：这个爬虫的识别名称，必须是唯一的，在不同的爬虫必须定义不同的名字。

  • allow_domains = [] 是搜索的域名范围，也就是爬虫的约束区域，规定爬虫只爬取这个域名下的网页，不存在的URL会被忽略。

  • start_urls = () ：爬取的URL元祖/列表。爬虫从这里开始抓取数据，所以，第一次下载的数据将会从这些urls开始。其他子URL将会从这些起始URL中继承性生成。

  • parse(self, response) ：解析的方法，每个初始URL完成下载后将被调用，调用的时候传入从每一个URL传回的Response对象来作为唯一参数，主要作用如下：

    1. 负责解析返回的网页数据(response.body)，提取结构化数据(生成item)
    2. 生成需要下一页的URL请求。

将start_urls的值修改为需要爬取的第一个url

start_urls=['https://voice.hupu.com/nba/']

修改parse()方法

    def parse(self, response):
        items=[]

        result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球队队名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球队url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)

        # 爬取所有的球队
        for i in range(0,len(allteam)):
            item = HupuspiderItem()

            # 指定存储目录+球队名字
            teamFilename="./虎扑新闻/"+allteam[i]

            # 如果目录不存在，则创建目录
            if (not os.path.exists(teamFilename)):
                os.makedirs(teamFilename)

            item['teamname']=allteam[i]
            item['teamurl']=allteamurl[i]

            items.append(item)

        #发送每个球队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:
            for i in range(1,2):
                tempurl = item['teamurl'].replace('.html','')
                teamurl = tempurl + '-' + str(i) + '.html'
                yield scrapy.Request( url = teamurl, meta={'meta_1': item}, callback=self.second_parse)

    # 对每支球队的url进行爬取
    def second_parse(self,response):
        items=[]

        # 提取每次Response的meta数据
        meta_1 = response.meta['meta_1']

        # 提取每支球队的所有新闻url
        allurl = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/@href').extract()
        # 提取每支球队的所有新闻标题
        alltitle = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/text()').extract()

        for i in range(0, len(alltitle)):
            item=HupuspiderItem()
            item['teamname'] = meta_1['teamname']
            item['teamurl'] = meta_1['teamurl']
            item['newstitle'] = alltitle[i]
            item['newsurl'] = allurl[i]

            items.append(item)

            # 指定存储目录+球队名字+新闻标题文件夹
            newsFilename =  "./虎扑新闻/"+item['teamname']+'/' + alltitle[i]

             # 如果目录不存在，则创建目录
            if (not os.path.exists(newsFilename)):
                os.makedirs(newsFilename)

        # 发送每个新闻链接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['newsurl'], meta={'meta_2': item}, callback=self.detail_parse)

    def detail_parse(self,response):
        item = response.meta['meta_2']
        content = ""
        # 提取所有p标签里的文本内容
        content_list = response.xpath('//html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()').extract()
        # 提取配图url
        imageurl = response.xpath('/html/body/div[4]/div[1]/div[2]/div/div[1]/img/@src').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
            content +="\n"

        item['content'] = content
        item['imageurl'] = imageurl
        # 将获取的数据交给pipelines
        yield itemdef parse(self, response):
        items=[]

        result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球队队名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球队url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)

        # 爬取所有的球队
        for i in range(0,len(allteam)):
            item = HupuspiderItem()

            # 指定存储目录+球队名字
            teamFilename="./虎扑新闻/"+allteam[i]

            # 如果目录不存在，则创建目录
            if (not os.path.exists(teamFilename)):
                os.makedirs(teamFilename)

            item['teamname']=allteam[i]
            item['teamurl']=allteamurl[i]

            items.append(item)

        #发送每个球队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:
            for i in range(1,2):
                tempurl = item['teamurl'].replace('.html','')
                teamurl = tempurl + '-' + str(i) + '.html'
                yield scrapy.Request( url = teamurl, meta={'meta_1': item}, callback=self.second_parse)

    # 对每支球队的url进行爬取
    def second_parse(self,response):
        items=[]

        # 提取每次Response的meta数据
        meta_1 = response.meta['meta_1']

        # 提取每支球队的所有新闻url
        allurl = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/@href').extract()
        # 提取每支球队的所有新闻标题
        alltitle = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/text()').extract()

        for i in range(0, len(alltitle)):
            item=HupuspiderItem()
            item['teamname'] = meta_1['teamname']
            item['teamurl'] = meta_1['teamurl']
            item['newstitle'] = alltitle[i]
            item['newsurl'] = allurl[i]

            items.append(item)

            # 指定存储目录+球队名字+新闻标题文件夹
            newsFilename =  "./虎扑新闻/"+item['teamname']+'/' + alltitle[i]

             # 如果目录不存在，则创建目录
            if (not os.path.exists(newsFilename)):
                os.makedirs(newsFilename)

        # 发送每个新闻链接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['newsurl'], meta={'meta_2': item}, callback=self.detail_parse)

    def detail_parse(self,response):
        item = response.meta['meta_2']
        content = ""
        # 提取所有p标签里的文本内容
        content_list = response.xpath('//html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()').extract()
        # 提取配图url
        imageurl = response.xpath('/html/body/div[4]/div[1]/div[2]/div/div[1]/img/@src').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
            content +="\n"

        item['content'] = content
        item['imageurl'] = imageurl
        # 将获取的数据交给pipelines
        yield item

2. 取数据

这个项目运用的是XPath提取数据。  
 result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球队队名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球队url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)result=response.xpath('/html/body/div[2]/div/div[3]/div[2]/div[1]/ul')

        # 球队队名
        team=result.xpath('.//li/a/text()').extract()
        allteam=team[:-1]
        team=result.xpath('.//li[last()]/div/a/text()').extract()
        allteam.extend(team)

        # 球队url
        teamurl = result.xpath('.//li/a/@href').extract()
        allteamurl = teamurl[:-1]
        teamurl = result.xpath('.//li[last()]/div/a/@href').extract()
        allteamurl.extend(teamurl)
        # 提取每支球队的所有新闻url
        allurl = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/@href').extract()
        # 提取每支球队的所有新闻标题
        alltitle = response.xpath('//html/body/div[3]/div[1]/div/div[@class="list"]/div/div/span/a/text()').extract()

# 提取所有p标签里的文本内容
        content_list = response.xpath('//html/body/div[4]/div[1]/div[2]/div/div[2]/p/text()').extract()
        # 提取配图url
        imageurl = response.xpath('/html/body/div[4]/div[1]/div[2]/div/div[1]/img/@src').extract()
  • 我们之前在mySpider/items.py 里定义了一个HupuspiderItem类。 这里引入进来
from HupuSpider.items import HupuspiderItem
  • 然后将我们得到的数据封装到一个 HupuspiderItem对象中，可以保存每条新闻的属性：
item = HupuspiderItem()

设置setting.py(配置参数)：

BOT_NAME = 'HupuSpider'

SPIDER_MODULES = ['HupuSpider.spiders']
NEWSPIDER_MODULE = 'HupuSpider.spiders'

# 函数的执行顺序，序号越小，优先级越高
ITEM_PIPELINES = {
   'HupuSpider.pipelines.HupuspiderPipeline': 1,
   'HupuSpider.pipelines.HupuImagesPipeline':2,
}
LOG_LEVEL='DEBUG'
ROBOTSTXT_OBEY = True

# Images 的存放位置，之后会在pipelines.py里调用
IMAGES_STORE='E:/学习Python/HupuSpider/HupuSpider/虎扑新闻'

Item Pipeline

当Item在Spider中被收集之后，它将会被传递到Item Pipeline，这些Item Pipeline组件按定义的顺序处理Item。

每个Item Pipeline都是实现了简单方法的Python类，比如决定此Item是丢弃而存储。以下是item pipeline的一些典型应用：

  • 验证爬取的数据(检查item包含某些字段，比如说name字段)
  • 查重(并丢弃)
  • 将爬取结果保存到文件或者数据库中

编写pipeline.py

from scrapy.pipelines.images import ImagesPipeline
from scrapy.utils.project import get_project_settings
import scrapy
import os

class HupuspiderPipeline(object):
    def process_item(self, item, spider):
        # 新闻标题作为文件夹名字
        filename = item['newstitle']
        filename += ".txt"

        # 每条新闻放到对应的球队文件夹中
        savepath='虎扑新闻'+'/'+item['teamname']+'/'+ item['newstitle'] +'/'+filename
        fp = open(savepath, 'w',encoding='utf-8')
        fp.write(item['content'])
        fp.close()

        return item

class HupuImagesPipeline(ImagesPipeline):
    IMAGES_STORE = get_project_settings().get("IMAGES_STORE")

    def get_media_requests(self, item, info):
        image_url = item["imageurl"]
        yield scrapy.Request(image_url[0])

    def item_completed(self, results, item, info):
        # 固定写法，获取图片路径，同时判断这个路径是否正确，如果正确，
        # 就放到 image_path里，ImagesPipeline源码剖析可见
        image_path = [x["path"] for ok, x in results if ok]

        # 每张新闻配图放到对应的球队文件夹中
        os.rename(self.IMAGES_STORE + "/" + image_path[0],
                  self.IMAGES_STORE + "/" + item["teamname"] + "/" + item["newstitle"] + "/" + item[
                      "newstitle"] + ".jpg")

        return item

    #get_media_requests的作用就是为每一个图片链接生成一个Request对象，
    # 这个方法的输出将作为item_completed的输入中的results，
    # results是一个元组，每个元组包括(success, imageinfoorfailure)。
    # 如果success=true，imageinfoor_failure是一个字典，
    # 包括url/path/checksum三个key。

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 douyu'.split())

运行程序后会自动生成一个"虎扑新闻"文件夹

双击打开"虎扑新闻"文件夹，对nba 30支球队进行了分类

双击打开"雷霆"新闻文件夹

双击打开第一条新闻"被问及若加盟湖人会不会兴奋？乔治：下一个问题",文件夹里面是新闻配图和新闻内容文本

打开文本就是我们所要的新闻内容

这是从虎扑网页截取的相同新闻配图和新闻内容，我们已经完成了需求

猜你喜欢

转载自blog.csdn.net/LinRuiC/article/details/80702151
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
周排行
循环神经网络（rnn）讲解
Tigao教程四：单独的关节运动
金蝶K3WISE15.0-注册套打教程
如何在Mac上配置Kubernetes
Android应用结束自身进程的方法
SpringMVC学习 十三 拦截器栈
中国驻洛杉矶总领馆举行新春招待会
HttpClient get post 发送
11 - three.js 笔记 - 绘制三维字体模型
Mysql递归获取某个父节点下面的所有子节点和子节点上的所有父节点
每日归档
更多
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022