scrapy爬取新浪网站全栈新闻标题内容,并且分类存入文件夹中

首先我带大家先分析一下新浪网站的整体布局,爬取的内容从新浪网的导航页开始逐层爬取内容,这是新浪网导航页的网址http://news.sina.com.cn/guide/,先带大家看一下新浪网的导航页的页面布局。

scrapy爬取新浪网站全栈新闻标题内容,并且分类存入文件夹中_第1张图片

我们看到新浪网的导航分类,是新闻的标题下面还设置小标题,如新闻下面包括国内、国际、社会等等,点击国内就会进入页面详情,每一条新闻都会呈现在大家面前,点击新闻详情的链接就如进入到每条新闻的详情页,所有的内容和标题都会展现出来。其次新浪网没有设置反爬虫,大家基本上不用设置user_agent或cookies等信息。此次案例采用的是scrapy爬虫框架,下面的案例的代码部分。

首先在items注册字段

scrapy爬取新浪网站全栈新闻标题内容,并且分类存入文件夹中_第2张图片

其次在爬虫的文件如写入爬取内容的类

import scrapy
import os
from Sina.items import SinaItem
class SinaInfoSpider(scrapy.Spider):
    name = 'sina_info'
    allowed_domains = ['sina.com.cn']
    start_urls = ['http://news.sina.com.cn/guide/']
    def parse_detail(self,response):
        """解析帖子的数据"""
        item = response.meta["item"]
        #帖子链接
        item["son_url"] = response.url
heads = response.xpath('//h1[@class="main-title"]/text()|//div[@class="blkContainerSblk"]/h1[@id="artibodyTitle"]/text()').extract()
        head = "".join(heads)
        #把节点转换成unicode编码
        contents = response.xpath('//div[@class="article"]/p/text()|//div[@id="artibody"]/p/text()').extract()
        content = "".join(contents)
        item["content"] = content
        item["head"] = head
        yield item
    #解析第二层的方法
    def parse_second(self,response):
        #得到帖子的链接
        # print("parse_second--response.url====", response.url)
        son_urls = response.xpath('//a/@href').extract()
        item = response.meta["item"]
        parent_url = item["parent_url"]
        # print("item====",item)
        for url in son_urls:
            #判断当前的页面的链接是否属于对应的类别
           if url.startswith(parent_url) and url.endswith(".shtml"):
               #请求
               yield scrapy.Request(url, callback=self.parse_detail, meta={"item": item})
    def parse(self, response):
        # print("response.url====",response.url)
        #所以的大标题
        parent_titles = response.xpath('//h3[@class="tit02"]/a/text()').extract()
        # 大标题对应的所以的链接
        parent_urls = response.xpath('//h3[@class="tit02"]/a/@href').extract()
        #所有小标题
        sub_titles = response.xpath('//ul[@class="list01"]/li/a/text()').extract()
        #所以小标题对应的链接
        sub_urls = response.xpath('//ul[@class="list01"]/li/a/@href').extract()
        items = []
        for i in range(len(parent_titles)):
           #http://news.sina.com.cn/ 新闻
            parent_url = parent_urls[i]
            parent_title = parent_titles[i]
            for j in range(len(sub_urls)):
                #http://news.sina.com.cn/world/  国际
                sub_url = sub_urls[j]
                sub_title = sub_titles[j]
                #判断url前缀是否相同,相同就是属于,否则不属于
                if sub_url.startswith(parent_url):
                    #装数据
                    item = SinaItem()
                    # print("parent_url===",parent_url)
                    # print("sub_url===", sub_url)
                    #创建目录
                    sub_file_name = "./Data/"+parent_title+"/"+sub_title
                    if  not os.path.exists(sub_file_name):
                        #不存在就创建
                        os.makedirs(sub_file_name)
                    item["parent_url"] = parent_url
                    item["parent_title"] = parent_title
                    item["sub_url"] = sub_url
                    item["sub_title"] = sub_title
                    item["sub_file_name"] = sub_file_name
                    items.append(item)
        #把列表的数据取出
        for  item in items:
            sub_url = item["sub_url"]
            #meta={"item":item} 传递item引用SinaItem对象

            yield scrapy.Request(sub_url,callback=self.parse_second,meta={"item":item})


再写保存文件的类,写到Pipeline

import json
class SinaPipeline(object):
    def open_spider(self,spider):
        # 'son_urls': 'http://sports.sina.com.cn/china/j/2018-07-11/doc-ihfefkqq5317948.shtml'
        # file=item['son_urls'][7:-6].replace('/','_')
        self.file=open(spider.name+'.json','w',encoding='utf-8')
        print('========================',self.file)
    def process_item(self, item, spider):
        sub_file_name=item['sub_file_name']
        content=item['content']
        if len(content)>0:
            son_urls=item['son_urls']
            file_name=son_urls[7:son_urls.rfind('.')].replace('/','.')
            file_path=sub_file_name+'/'+file_name+'.txt'
            with open(file_path,'w',encoding='utf-8') as f:
                f.write(content)
            item['son_path'] =file_path
        dict_item=dict(item)
        content=json.dumps(dict_item,ensure_ascii=False)+'\n'
        self.file.write(content)
        return item
    def close_spider(self,spider):

        self.file.close()

最后创建一个start.py 文件将命令行写到文件中

from scrapy import cmdline

cmdline.execute('scrapy crawl sina_info'.split())

这样我们就可以运行start.py文件,项目就能跑起来了,开始爬取新浪网站的数据了

scrapy爬取新浪网站全栈新闻标题内容,并且分类存入文件夹中_第3张图片

scrapy爬取新浪网站全栈新闻标题内容,并且分类存入文件夹中_第4张图片

最后我们就能看到所有新浪网站的新闻都会被逐条保存到文件中了



你可能感兴趣的:(scrapy爬取新浪网站全栈新闻标题内容,并且分类存入文件夹中)