scrapy框架下爬蟲實現詳情頁抓取

以爬取陽光陽光**問政平台**為例，進行詳情頁的爬取。

1

#-*- coding: utf-8 -*-
2import
scrapy
3from yanguang.items import
yanguangitem45
class
sunspider(scrapy.spider):
6     name = '
sun'
7     allowed_domains = ['
sun0769.com']
8     start_urls = ['
']910
defparse(self, response):
11         tr_list=response.xpath("
//div[@class='greyframe']/table[2]/tr/td/table/tr")
12for tr in
tr_list:
13             item=yanguangitem()
14             item['
title
']=tr.xpath("
./td[2]/a[@class='news14']/@title
").extract_first()
15             item["
href
"]=tr.xpath("
./td[2]/a[@class='news14']/@href
").extract_first()
16             item["
publish_date
"]=tr.xpath("
./td[last()]/text()
").extract_first()
1718
yield
scrapy.request(
19                 item["
href"],
20                 callback=self.parse_detail,
21                 meta=,22)
23#翻頁24         next_url=response.xpath("
.//a[text()='>']/@href
").extract_first()
25if next_url is
notnone:
26yield
scrapy.request(
27next_url,
28                 callback=self.parse()29)
3031
32def parse_detail(self,response): #
處理詳情頁
33         item=response.meta["
item"]
34         item["
content
"]=response.xpath("
//div[@class='c1 text14_2']//text()
").extract()
35         item["
content_img
"] = response.xpath("
//div[@class='c1 text14_2']//img/@src
").extract()
36         item["
content_img
"] =["
"+i for i in item["
content_img"]]
37yield item

下面為pipelines.py檔案中對爬取的資料處理操作。

1

importre2
class
yanguangpipeline(object):
3def
process_item(self, item, spider):
4         item["
content
"]=self.process_content(item["
content"])
5print
(item)
6return
item78
def process_content(self,content):#
文字內容的處理
9         content=[re.sub(r"
\xa0|\s
","",i)for i in
content]
10         content=[i for i in content if len(i)>0]#
去除列表中的空字串
11return content

在settings.py檔案中修改user_agent的內容是對方伺服器無法一眼看出我們的請求是爬蟲。

預設settings.py檔案中的user_agent為：

1

#crawl responsibly by identifying yourself (and your website) on the user-agent
2 user_agent = '
tencent (+
'

將settings.py檔案中的user_agent修改為：

1

#crawl responsibly by identifying yourself (and your website) on the user-agent
2 user_agent = '
'

Scrapy爬蟲框架下執行爬蟲的方法

在使用scrapy框架進行爬蟲時，執行爬蟲檔案的方法是 scrapy crawl 其中 是爬蟲檔名。但是，當我們在建立了多個檔案時，使用上面的命令時會比較繁瑣麻煩，我們就可以使用下述方法同時完成爬蟲檔案的執行。第一種，在scrapy框架下建立乙個執行檔案，如 run.py 在檔案中建立乙個列表，列表...

scrapy爬蟲框架

作者經過幾周的python爬蟲實踐之後，深入學習了一下scrapy這個爬蟲框架，現將一些基本知識和 總結整理一下，以備後查。2.scrapy的命令列使用 這部分網上很多部落格都有總結，不需要背，理解會用主要的命令 startproject crawl fetch list genspider.即可，...

scrapy 爬蟲框架

1.安裝 公升級pip版本 pip install upgrade pip 通過pip安裝scrapy框架 pip install scrapy 安裝成功 只執行scrapy 進行測試是否安裝成功 2.scrapy startproject 爬蟲專案名稱 執行此命令,可以生成乙個爬蟲專案 會預先生成...