python获取多个不连续网页指定内容 python 抓取页面内容

转载

mob64ca141a683a 2024-06-13 22:20:13

文章标签 python获取多个不连续网页指定内容数据 ide python 文章分类 Python 后端开发

scrapy 的文档请移驾到 http://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/install.html

1、准备工作

安装python 、Spyder 、scrapy 如果想要数据直接入mysql 还需要安装python的 MySQLdb 依赖包

本人mac操作系统安装MySQLdb的时候出现了些小问题最后是重装了openssl 才通过的

Spyder 是编写python的ide

2、新建项目

cd /usr/local/var/www/python

执行 scrapy startproject myblog 则新建了一个名称为myblog 的项目，执行完成后你的python文件夹就出现了myblog文件夹了

python获取多个不连续网页指定内容 python 抓取页面内容_数据

cnblog_spider.py 是后来我新建的后缀.pyc 是执行python后的编译的文件其他的都是执行创建项目后就自动生成的文件了

3、编写爬虫脚本 cnblog_spider.py

分析cnblog的网站使用scrapy shell

使用google浏览器找到你想要抓取的数据话不多说直接上代码，我抓取了cnblog文章的标题，链接时间，文章的id，正文内容

# -*- coding: utf-8 -*-

from scrapy.spider import Spider
from scrapy.selector import Selector
from myblog.items import MyblogItem
import scrapy
import re
#SITE_URL = ''


#抓取在cnblog中的文章
class CnblogSpider(Spider):
    #抓取名称 执行命令的时候后面的名称   scrapy crawl cnblog 中的cnblog 就是在这里定义的
    name ='cnblog'
    allow_domains   
    
    #定义抓取的网址
    start_urls = [
        ''
    ]
    
    #执行函数
    def parse(self,response):
        sel = Selector(response)
        self.log("begins  % s" % response.url)
        article_list = sel.css('div.postTitle').xpath('a')
        
        #抓取列表里面的内容也地址后循环抓取列表的内容页面数据
        for article in article_list:
            url = article.xpath('@href').extract()[0]
            self.log("list article url: % s" % url)
        
            #继续抓取内容页数据
            yield scrapy.Request(url,callback=self.parse_content)
            
        #如果有下一页继续抓取数据
        next_pages = sel.xpath('//*[@id="nav_next_page"]/a/@href')
        
        if next_pages :
            next_page = next_pages.extract()[0]
            #print next_page
            self.log("next_page: % s" % next_page)
            #自己调用自己  类似php 函数的当中的递归
            yield scrapy.Request(next_page,callback=self.parse)
        
 
            
    #内容页抓取
    def parse_content(self,response):
        self.log("detail views: % s" % response.url)
        
        #定义好的item  只需要在items 文件中定义抓取过来的数据对应的字段
        item = MyblogItem()
        
        #xpath 寻找需要在页面中抓取的数据
        item['link'] =  response.url  
    
        #正则匹配出文章在cnblog中的id
        m = re.search(r"([0-9])+", item['link'])
        if m:
            item['aid'] = m.group(0)
        else:
            item['aid'] = 0;
        item['title'] = response.xpath('//*[@id="cb_post_title_url"]/text()').extract()[0]
        item['content'] = response.xpath('//*[@]').extract()[0]
        item['date'] = response.xpath('//*[@id="post-date"]').extract()
        #print item['content']
        yield item

4、数据入库

编写管道程序pipelines.py，管道就是存储数据使用的爬虫文件最后yield 的item 会将数据给到pipelines.py 这个文件

为了测试和正式环境的方便我就配置了两份mysql的登陆信息

每次执行前都将即将入库的数据表给清空了一次防止重复采集，直接看代码

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html

#需要在setting.py文件中设置ITEM_PIPELINES 将前面的注释打开配置成当前的文件即可
#当前的管道就是这么配置 'myblog.pipelines.MyblogPipeline': 300,


import MySQLdb,datetime


DEBUG = True

#定义测试环境和正式环境中的mysql  
if DEBUG:
    dbuser = 'root'
    dbpass = 'root'
    dbname = 'test'
    dbhost = '127.0.0.1'
    dbport = '3306'
else:
    dbuser = 'root'
    dbpass = 'root'
    dbname = 'test'
    dbhost = '127.0.0.1'
    dbport = '3306'

class MyblogPipeline(object):
    
    #初始化 链接数据库
    def __init__(self):
        
        self.conn = MySQLdb.connect(user=dbuser, passwd=dbpass, db=dbname, host=dbhost, charset="utf8", use_unicode=True)
    
        self.cursor = self.conn.cursor()
    
        self.cursor.execute('truncate table test_cnbog')        
    
        self.conn.commit()
    
    
    
    #执行sql语句 
    def process_item(self, item, spider):
        try:
            self.cursor.execute("""INSERT INTO test_cnbog (title, link, aid,content,date)  
                  VALUES (%s,%s,%s,%s,%s)""", 
                  (
                    item['title'].encode('utf-8'), 
                    item['link'].encode('utf-8'),
                    item['aid'],
                    item['content'].encode('utf-8'),
                    datetime.datetime.now(),
                  )
            )
            self.conn.commit()
        except MySQLdb.Error, e:
            
            print u'Error %d: $s' % (e.args[0],e.args[1])
        
        return item

5、配置setting.py

开启入库的配置

找到 ITEM_PIPELINES 将前面的注释去掉看到代码上面的注释的链接了么直接访问看下是干啥的就行了官方网站上看实例好像是将数据写入到monge里面去了

本人对monge 不熟悉直接放到mysql去了大致意思就是说pipelines.py 这个文件就是讲你采集的数据存放在什么地方

# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'myblog.pipelines.MyblogPipeline': 300,
}

6、执行采集

在项目的文件夹下面执行：scrapy crawl myblog

特意将crawl 拿百度翻译看了下啥意思原来就是“爬行”

最后展示下采集回来的数据

python获取多个不连续网页指定内容 python 抓取页面内容_python_02