scrapy爬虫框架实现翻页数据爬取-以广州人民政府政策解读栏目为例

  本篇博文将介绍如何搭建爬虫项目实现简单地翻页爬取信息，并给出运行结果，把结果保存为本地json文件或者csv文件。详细的项目搭建操作已经在前面博文中提及了，可以参考：
https://blog.csdn.net/fallwind_of_july/article/details/97246577
  文章非常适合入门的小伙伴们一起学习和研究。经过实测验证，代码可以成功运行。文章最后给出github免费的源码下载地址。
.

一、爬取目标网站：

http://www.gz.gov.cn/gzgov/snzc/common_list.shtml
.
.

二、爬取目标信息：

  我们将要爬取公告的标题，时间以及链接，如下图所示：
我们不仅要爬取第一页，还要让程序自动爬取后面的页码。
.

三、网页分析：

用谷歌浏览器和xpath Helper插件，F12键来分析源代码

可以看出我们需要的名字、时间、链接对应的xpath分别是：
//ul[@class='news_list']/li/a
//ul[@class='news_list']/li/span
//ul[@class='news_list']/li/a/@href
.

四、爬取文件代码

1.items.py文件

import scrapy

class GzgovItem(scrapy.Item):

    name = scrapy.Field()
    time = scrapy.Field()
    link = scrapy.Field()

以上文件定义我们获取信息的字段
.

2.pipelines.py

import json

class GzgovPipeline(object):
    def __init__(self):
        #self.f = open("gzgovment.json","w")
        self.f = open("gzgovment.csv","w")
        
    def process_item(self, item, spider):
        content = json.dumps(dict(item),ensure_ascii=False) +",\n"
        self.f.write(content)
        return item
    
    def close_spider(self,spider):
        self.f.close()

以上文件定义我们保持数据的格式，写到本地文件中
.

3.settings.py

1.文件中下面的True改为False

ROBOTSTXT_OBEY = False

2.取消67行左右的注释，得到

ITEM_PIPELINES = {
    'Gzgov.pipelines.GzgovPipeline': 300,
}

以上文件为配置文件
.

4.我们的爬虫文件govmenu.py

爬虫文件名字自定义，在spiders目录下

# -*- coding: utf-8 -*-
import scrapy
from Gzgov.items import GzgovItem
#from scrapy.http import Request

class GovmenuSpider(scrapy.Spider):
    name = 'govmenu'
    allowed_domains = ['gz.gov.cn']
    #start_urls = ['http://www.gz.gov.cn/gzgov/snzc/common_list.shtml']
    baseURL = "http://www.gz.gov.cn/gzgov/snzc/common_list_"
    offset = 1
    end = ".shtml"
    start_urls = ["http://www.gz.gov.cn/gzgov/snzc/common_list.shtml"]

    def parse(self, response):
        node_list = response.xpath("//ul[@class='news_list']/li")

        for node in node_list:

            item = GzgovItem()

            item['name'] = node.xpath("./a/text()").extract()
            item['time'] = node.xpath("./span/text()").extract()
            item['link'] = node.xpath("./a/@href").extract()
            
            yield item
            
        if self.offset < 66:
            self.offset +=1
            url = self.baseURL + str(self.offset) + self.end
            yield scrapy.Request(url,callback=self.parse)
 

以上文件的解释：
我们采用url拼接的方式进行数据的翻页爬取，
比如第二页的url就是：
http://www.gz.gov.cn/gzgov/snzc/common_list_2.shtml
以此类推，每次只需要修改数字部分即可。总共67个条目，因此我们判断<66。
.

五、运行结果

1.cvs格式

2.json格式

  到这里，我们就成功地实现了scrapy爬虫。
.

六、附录

本文的源码下载(Gzgov文件夹)：
https://github.com/AndyofJuly/scrapyDemo

  如果有帮助到你，请点个赞或关注对博主进行鼓励，后续还会继续更新进阶的爬虫案例，有任何疑问请下方评论留言，感谢！

最后一个小彩蛋：

每次爬虫都感觉为广州政府网的阅读量做出了巨大贡献，哈哈哈