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

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

---