python爬虫框架scrapy爬取电视之家网站资讯信息
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python爬虫框架scrapy爬取电视之家网站资讯信息,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含3443字,纯文字阅读大概需要5分钟。
内容图文
![python爬虫框架scrapy爬取电视之家网站资讯信息](/upload/InfoBanner/zyjiaocheng/760/95efe60c580b4fa780b1e085ce719230.jpg)
抓取信息内如下:
1、资讯标题
2、资讯链接
3、资讯时间
4、资讯来源
二、网站信息
三、数据抓取
针对上面的网站信息,来进行抓取
1、首先抓取信息列表
抓取代码:sels = site.xpath('//div[@class="main_left fl"]/div[2]/ul/li')
2、抓取标题
抓取代码:title = str(sel.xpath('.//h2/a/text()')[0].extract())
3、抓取链接
抓取代码:url = str(sel.xpath('.//a/@href')[0].extract())
4、抓取日期
抓取代码:strdates = sel.xpath('.//em[@class="em_3"]/text()')
5、抓取来源
抓取代码:sources = site.xpath('//span[@class="aside01"]/text()')
四、完整代码
# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from scrapy.spiders import Spider
from scrapy_splash import SplashRequest
from scrapy_splash import SplashMiddleware
from scrapy.http import Request, HtmlResponse
from scrapy.selector import Selector
from scrapy_splash import SplashRequest
from scrapy_ott.items import SplashTestItem
from scrapy_ott.mongoDB import mongoDbBase
import scrapy_ott.IniFile
import sys
import os
import re
import time
'''
遇到不懂的问题?Python学习交流群:1004391443满足你的需求,资料都已经上传群文件,可以自行下载!
'''
reload(sys)
sys.setdefaultencoding('utf-8')
# sys.stdout = open('output.txt', 'w')
class tvhomeSpider(Spider):
name = 'tvhome'
db = mongoDbBase()
configfile = os.path.join(os.getcwd(), 'scrapy_ott\setting.conf')
cf = scrapy_ott.IniFile.ConfigFile(configfile)
information_wordlist = cf.GetValue("tvhome", "information_keywords").split(';')
websearchurl_list = cf.GetValue("tvhome", "websearchurl").split(';')
start_urls = []
for url in websearchurl_list:
start_urls.append(url)
# request需要封装成SplashRequest
def start_requests(self):
for url in self.start_urls:
yield SplashRequest(url
, self.parse
, args={'wait': '2'}
)
def Comapre_to_days(self,leftdate, rightdate):
'''
比较连个字符串日期,左边日期大于右边日期多少天
:param leftdate: 格式:2017-04-15
:param rightdate: 格式:2017-04-15
:return: 天数
'''
l_time = time.mktime(time.strptime(leftdate, '%Y-%m-%d'))
r_time = time.mktime(time.strptime(rightdate, '%Y-%m-%d'))
result = int(l_time - r_time) / 86400
return result
def date_isValid(self, strDateText):
'''
判断日期时间字符串是否合法:如果给定时间大于当前时间是合法,或者说当前时间给定的范围内
:param strDateText: 四种格式 '2小时前'; '2天前' ; '昨天' ;'2017.2.12 '
:return: True:合法;False:不合法
'''
currentDate = time.strftime('%Y-%m-%d')
datePattern = re.compile(r'\d{4}-\d{2}-\d{2}')
strDate = re.findall(datePattern, strDateText)
if len(strDate) == 1:
if self.Comapre_to_days(currentDate, strDate[0]) ==0:
return True, strDate[0]
return False, ''
def parse(self, response):
site = Selector(response)
sels = site.xpath('//div[@class="main_left fl"]/div[2]/ul/li')
for sel in sels:
strdates = sel.xpath('.//em[@class="em_3"]/text()')
if len(strdates)>0:
flag, date = self.date_isValid(str(strdates[0].extract()))
if flag:
title = str(sel.xpath('.//h2/a/text()')[0].extract())
for keyword in self.information_wordlist:
if title.find(keyword) > -1:
url = str(sel.xpath('.//a/@href')[0].extract())
yield SplashRequest(url
, self.parse_item
, args={'wait': '1'},
meta={'date': date, 'url': url,
'keyword': keyword, 'title': title}
)
def parse_item(self, response):
site = Selector(response)
it = SplashTestItem()
it['title'] = response.meta['title']
it['url'] = response.meta['url']
it['date'] = response.meta['date']
it['keyword'] = response.meta['keyword']
sources = site.xpath('//span[@class="aside01"]/text()')
if len(sources)>0:
it['source'] = sources[0].extract()
# self.db.SaveInformation(it)
return it
内容总结
以上是互联网集市为您收集整理的python爬虫框架scrapy爬取电视之家网站资讯信息全部内容,希望文章能够帮你解决python爬虫框架scrapy爬取电视之家网站资讯信息所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。