網路爬蟲（四） 使用Scrapy爬取網易新聞

**：

import scrapy

class newsitem(scrapy.item):
news_thread = scrapy.field() 
news_title = scrapy.field()
news_url = scrapy.field()
news_time = scrapy.field()
news_source = scrapy.field()
source_url = scrapy.field()
news_text = scrapy.field()

**：

from scrapy.exporters import csvitemexporter

class newspipeline(object):
def __init__(self):
self.file = open ('news_data.csv','wb')
self.exporter = csvitemexporter(self.file,encoding='gbk')
self.exporter.start_exporting()
#建立乙個名稱為news_data.csv的檔案，並且將資料匯入
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
def close_spider(self,spider):
self.exporter.finish_exporting()
self.file.close()
#定義結束傳輸

主體**：

這裡的檔名由所創name決定

**為：

import scrapy

from news.items import newsitem
from scrapy.linkextractors import linkextractor
#鏈結提取器
from scrapy.spiders import crawlspider,rule
class news163spider(crawlspider):#類的繼承
name = 'news163'
allowed_domains = ['news.163.com']
start_urls = ['']
rules = (
rule (linkextractor(allow=r"/18/09\d+/*"),
callback ="parse_news",follow=true),
)			#如果滿足allow=r"/18/09\d+/*(正規表示式) 把**給parse-news
def parse_news(self,response):
item = newsitem()#例項化操作,把item當成字典使用
item['news_thread'] = response.url.strip().split('/')[-1][:-5]
self.get_title(response,item)
self.get_time(response,item)
self.get_source(response,item)
self.get_url(response,item)
self.get_source_url(response,item)
self.get_text(response,item)
return item
def get_title(self,response,item):
title = response.css('title::text').extract()
print('*'*20)
if title:#判斷是否為空
print('title:{}'.format(title[0][:-5]))
item['news_title']=title[0][:-5]
def get_time(self,response,item):
time = response.css('.post_time_source::text').extract()
if time:
print('time:{}'.format(time[0][:-5]))
item['news_time'] = time[0][:-5]
def get_source(self,response,item):
source = response.css('#ne_article_source::text').extract()
if source:
print('source:{}'.format(source[0]))
item['news_source'] = source[0]
def get_source_url(self,response,item):
source_url = response.css('#ne_article_source::attr(href)').extract()
#attr是屬性
if source_url:
print('source_url:{}'.format(source_url[0]))
item['source_url'] = source_url[0]
def get_text(self,response,item):
text = response.css('#endtext p::text').extract()
if text:
print('text:{}'.format(text))
item['news_text'] = text
def get_url(self,response,item):
url = response.url
if url:
print('uews_url:{}'.format(url))
item['news_url']=url

Scrapy爬蟲爬取電影天堂

目標 建立專案 scrapy startproject 爬蟲專案檔案的名字 生成 crawlspider 命令 scrapy genspider t crawl 爬蟲名字 爬蟲網域名稱 終端執行 scrapy crawl 爬蟲的名字 python操作mysql資料庫操作 爬蟲檔案 coding ut...

scrapy多爬蟲以及爬取速度

主要這段時間一直使用的就是scrapy這個框架，因為公司裡面需要爬取大量的 所以才使用了多爬蟲，但是目前測試也只是幾十個，一直也想不到更好的方法去同時抓取成千上百個結構不同的 所以也很是苦逼的用了scrapy裡面的多爬蟲，對每個 分別解析，還好雖然幾次改需求但是欄位都是統一的，可以很輕鬆的通過ite...

Scrapy爬蟲框架 二 匯出爬取結果

功能描述 爬取 豆瓣 電影 top 250,爬取內容 電影標題，評分人數，評分 編輯 items.py 檔案 coding utf 8 import scrapy class doubanmovieitem scrapy.item 排名 ranking scrapy.field 電影名稱 title...