Scrapy基础(六)————Scrapy爬取伯乐在线一通过css和xpath解析文章字段

上次我们介绍了scrapy的安装和加入debug的main文件,这次重要介绍创建的爬虫的基本爬取有用信息

通过命令(这篇博文)创建了jobbole这个爬虫,并且生成了jobbole.py这个文件,又写了xpathcss的基本用法的博文

首先分析网页的结构和抓取流程:

1,下载start_urls,交给parse方法处理

2,parse处理,从中获取本页的文章url(以后获取到文章首图传递个自定义的parse_detail),和下一页的url

3,将下一页的url交给parse方法。继续进行1和2;将文章url传递给自定义的解析函数parse_detail

4,parse方法对下一页的url进行下载,自定义的parse_detial则通过css或者xpath 解析有用的信息传递给Item,次数两个操作是异步操作

以下是源码:

 # -*- coding: utf-8 -*-
import scrapy
import re
from scrapy.http import Request
class JobboleSpider(scrapy.Spider):
name = "jobbole"
allowed_domains = ["blog.jobbole.com"]
start_urls = ['http://blog.jobbole.com/all-posts/'] def parse(self, response):
'''
进行两部操作:1,从页面抓取所有的文章url交给解析器进行解析这个页面的标题时间点赞数等
2,从页面抓取下一个页面的url 进行下载 '''
#从网页提取文章的URL,交给scrapy下载,并传递给parse_detail解析
#css_urlsresponse.css('#archive .floated-thumb .post-thumb a ::attr(href)').extract()
post_urls = response.xpath('/html/body/div[1]/div[3]/div/div/a/@href').extract()
for url in post_urls:
#同过scrapy的Request()下载,并且交给自定义的parse_detail解析
#注意:在这里从网页上解析的url是全的url,不需要拼接,若不全则需要进行拼接
#拼接通过 urllib库的parse中的urljoin("http://blog.jobbole.com/","110769")函数进行拼接
yield Request(url,callback=self.parse_detail) #从网页获取下一页
#css_next_url = response.css('.next.page-numbers::attr(href)').extract_first()
next_url = response.xpath('/html/body/div[1]/div[3]/div[21]/a[4]/@href').extract_first()
if next_url:
yield Request(next_url,callback=self.parse)
def parse_detail(self,response):
#//*[@id="post-110769"]/div[1]/h1
#re_selector = response.xpath('//*[@id="post-110769"]/div[1]/h1/text()')
#re2_selector = response.xpath('/html/body/div[3]/div[1]/h1/text()')
#re3_selector = response.xpath('//div[@class="entry-header"]/h1/text()') #xpath()中的 text()函数是去除html,查看d标签外的 data的内容
title = response.xpath('/html//div[@class="entry-header"]/h1/text()') #xpath()中的extracr()函数作用:将xpath()函数产生的Selector xpath对象的内容,并且以列表的对象返回;其他事去除空格和点号不必要的字符
add_time=response.xpath('/html//p[@class="entry-meta-hide-on-mobile"]/text()').extract()[0].strip().replace("·","") #文章点赞人数,contains() 是xpath()的内置函数用法,找出在span中class属性包含'vote-post-up'字符串的标签
like = response.xpath('//span[contains(@class,"vote-post-up")]/h10/text()').extract()[0] #文章收藏人数:fav_num xpath解析 10收藏 re再解析 为:10
fav_temp = response.xpath('//span[contains(@class,"bookmark-btn")]/text()').extract()[0]
re_fav_num = re.match(".*(\d+).*",fav_temp)
if re_fav_num:
fav_num = int(re_fav_num.group(1))
else:
fav_num = 0
#文章评论人数:解析同收藏人数
comment_temp = response.xpath('//span[@class="btn-bluet-bigger href-style hide-on-480"]/text()').extract()[0]
re_comment = re.match(".*(\d+).*",comment_temp)
if re_comment:
comment_num = int(re_comment.group(1))
else:
comment_num = 0
#文章内容,简单提取,不太复杂的,不深入研究
content = response.xpath('//div[@class="entry"]').extract()[0]
#标签:涉及去重评论
temp_tag = response.xpath('/html//p[@class="entry-meta-hide-on-mobile"]/a/text()')
tag_list = [x for x in tag if not x.strip().endswith("评论") ]
tags = ";".join(tag_list)
pass
''' #通过css选择器提取数据 #提取标题 .后面跟的代表的是class的属性
css_title = response.css(".entry-header h1::text").extract()[0] #添加时间 提取p标签的class的唯一值为entry-meta-hide-on-mobile属性的标签,::text是提取其内容,与text()相似
css_add_time =response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·","") #点赞人数:class 属性为vote-post-up 的唯一的标签
css_like = response.css(".vote-post-up h10::text").extract()[0] #文章收藏人数,对于数组来说按索引提取有风险,所有需要异常捕获操作,extract_first()就是对其进行异常操作,保证列表为空时不报错
css_fav_temp = response.css(".bookmark-btn::text").extract_first()
re_fav_num = re.match(".*(\d+).*",fav_temp)
if re_fav_num:
css_fav_num = re_fav_num.group(1) #文章评论人数
re_comment = response.css('a[href="#article-comment"] span::text').extract_first()("0")
if re_comment:
comment_num = re_comment.group(1) #标签:涉及去重评论
temp_tag = response.css('p[class="entry-meta-hide-on-mobile"] a::text').extract()
tag_list = [x for x in tag if not x.strip().endswith("评论") ]
tags = ";".join(tag_list)
'''

  

上一篇:数据的查找和提取[2]——xpath解析库的使用


下一篇:未在本地计算机上注册“Microsoft.Jet.OLEDB.4.0”提供程序。