爬取新闻新浪页面

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[i]
                item['parentUrls'] = parentUrls[i]

                #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[i].endswith('.shtml') and sonUrls[i].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[i]
                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/