scrapy框架爬取虎扑论坛球队新闻

目录

Scrapy 框架

制作 Scrapy 爬虫 一共需要4步：

Scrapy的安装介绍

Windows 安装方式

一. 新建项目(scrapy startproject)

二、明确目标(mySpider/items.py)

三、制作爬虫 （spiders/itcastSpider.py）

1. 爬数据

2. 取数据

Item Pipeline

编写pipeline.py

---

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

 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