首页 > 代码库 > scrapy-splash抓取动态数据例子六
scrapy-splash抓取动态数据例子六
一、介绍
本例子用scrapy-splash抓取中广互联网站给定关键字抓取咨询信息。
给定关键字:打通;融合;电视
抓取信息内如下:
1、资讯标题
2、资讯链接
3、资讯时间
4、资讯来源
二、网站信息
三、数据抓取
针对上面的网站信息,来进行抓取
1、首先抓取信息列表
抓取代码:sels = site.xpath(‘//li[@class="content_list clearfix"]‘)
2、抓取标题
首先列表页面,根据标题和日期来判断是否自己需要的资讯,如果是,就今日到资讯对应的链接,来抓取来源,如果不是,就不用抓取了
抓取代码:titles = sel.xpath(‘.//div[@class="content_listtext"]/a/h3/text()‘)
3、抓取链接
抓取代码:url = ‘http://www.tvoao.com‘ + str(sel.xpath(‘.//a/@href‘)[0].extract())
4、抓取日期
抓取代码:strdates = sel.xpath(‘.//div[@class="listtext_label"]/span/text()‘)
5、抓取来源
抓取代码:sources = site.xpath(‘//div[@class="headlines_source"]/span[2]/text()‘)
四、完整代码
# -*- coding: utf-8 -*-import scrapyfrom scrapy import Requestfrom scrapy.spiders import Spiderfrom scrapy_splash import SplashRequestfrom scrapy_splash import SplashMiddlewarefrom scrapy.http import Request, HtmlResponsefrom scrapy.selector import Selectorfrom scrapy_splash import SplashRequestfrom splash_test.items import SplashTestItemimport IniFileimport sysimport osimport reimport timereload(sys)sys.setdefaultencoding(‘utf-8‘)sys.stdout = open(‘output.txt‘, ‘w‘)class tvoaoSpider(Spider): name = ‘tvoao‘ configfile = os.path.join(os.getcwd(), ‘splash_test\spiders\setting.conf‘) cf = IniFile.ConfigFile(configfile) information_wordlist = cf.GetValue("section", "information_keywords").split(‘;‘) websearch_urls = cf.GetValue("tvoao", "websearchurl").split(‘;‘) start_urls = [] for url in websearch_urls: start_urls.append(url) # request需要封装成SplashRequest def start_requests(self): for url in self.start_urls: yield SplashRequest(url , self.parse , args={‘wait‘: ‘2‘} ) def Comapre_to_days(self,leftdate, rightdate): ‘‘‘ 比较连个字符串日期,左边日期大于右边日期多少天 :param leftdate: 格式:2017-04-15 :param rightdate: 格式:2017-04-15 :return: 天数 ‘‘‘ l_time = time.mktime(time.strptime(leftdate, ‘%Y-%m-%d‘)) r_time = time.mktime(time.strptime(rightdate, ‘%Y-%m-%d‘)) result = int(l_time - r_time) / 86400 return result def date_isValid(self, strDateText): ‘‘‘ 判断日期时间字符串是否合法:如果给定时间大于当前时间是合法,或者说当前时间给定的范围内 :param strDateText: 四种格式 ‘2小时前‘; ‘2天前‘ ; ‘昨天‘ ;‘2017.2.12 ‘ :return: True:合法;False:不合法 ‘‘‘ currentDate = time.strftime(‘%Y-%m-%d‘) datePattern = re.compile(r‘\d{4}-\d{2}-\d{2}‘) strDate = re.findall(datePattern, strDateText) if len(strDate) == 1: if self.Comapre_to_days(currentDate, strDate[0]) == 0: return True, currentDate return False, ‘‘ def parse(self, response): site = Selector(response) sels = site.xpath(‘//li[@class="content_list clearfix"]‘) for sel in sels: strdates = sel.xpath(‘.//div[@class="listtext_label"]/span/text()‘) if len(strdates)>0: flag, date = self.date_isValid(str(strdates[0].extract())) if flag: titles = sel.xpath(‘.//div[@class="content_listtext"]/a/h3/text()‘) if len(titles) > 0: title = str(titles[0].extract()) url = ‘http://www.tvoao.com‘ + str(sel.xpath(‘.//a/@href‘)[0].extract()) for keyword in self.information_wordlist: if title.find(keyword) > -1: yield SplashRequest(url , self.parse_item , args={‘wait‘: ‘1‘}, meta={‘date‘: date, ‘url‘: url, ‘keyword‘: keyword, ‘title‘: title} ) def parse_item(self, response): site = Selector(response) it = SplashTestItem() it[‘title‘] = response.meta[‘title‘] it[‘url‘] = response.meta[‘url‘] it[‘date‘] = response.meta[‘date‘] it[‘keyword‘] = response.meta[‘keyword‘] sources = site.xpath(‘//div[@class="headlines_source"]/span[2]/text()‘) if len(sources)>0: it[‘source‘] = str(sources[0].extract()).replace(u‘来源: ‘, ‘‘) return it
scrapy-splash抓取动态数据例子六
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。