scrapy入门教程2：建立一个简单的爬取南邮新闻标题的爬虫demo_程序人生

scrapy入门教程2：建立一个简单的爬取南邮新闻标题的爬虫demo

admin

2023-07-31 00:45:42

0次

0. 基本环境说明

本文截图及运行环境均在MAC OS X 10.9.5上实现，但基本步骤与win 7环境上相同（其实我是先在win7折腾了一把，然后为了写这篇教程，又在OS X 上面重新搞了一遍）
scrapy版本为1.0
参考文献以及下载链接：
- 本爬虫参考代码打包下载

1. 建立步骤

通过上一篇内容我们已经将scrapy环境配置完毕，下面我们来实现一个demo来爬取南京邮电大学新闻页面的内容。

1. 创建一个新工程

1	scrapy startproject njupt #其中njupt是项目名称，可以按照个人喜好来定义

输入以上命令之后，就会看见命令行运行的目录下多了一个名为njupt的目录，目录的结构如下：

123456789

至此，工程创建完毕。

2. 设置 items

本文以抓取南邮新闻为例，需要存储三种信息：

南邮新闻标题
南邮新闻时间
南邮新闻的详细链接

items内部代码如下：

123456789

# -*- coding: utf-8 -*- import scrapy class NjuptItem(scrapy.Item): #NjuptItem 为自动生成的类名 news_title = scrapy.Field() #南邮新闻标题 news_date = scrapy.Field() #南邮新闻时间 news_url = scrapy.Field() #南邮新闻的详细链接

至于为什么每一句都用scrapy.Field()，这个等请关注我的后续教程，现在只要记住按照以上的格式来添加新的要提取的属性就可以了~。

3. 编写 spider

spider是爬虫的主体，负责处理requset response 以及url等内容，处理完之后交给pipelines进行进一步处理。
设置完items之后，就在spiders目录下新建一个njuptSpider.py文件,内容如下:

1234567891011121314151617181920212223242526272829303132333435363738

# -*- coding: utf-8 -*-import scrapyfrom njupt.items import NjuptItemimport loggingclass njuptSpider(scrapy.Spider): name = \”njupt\” allowed_domains = [\”njupt.edu.cn\”] start_urls = [ \”http://news.njupt.edu.cn/s/222/t/1100/p/1/c/6866/i/1/list.htm\”, ] def parse(self, response): news_page_num = 14 page_num = 386 if response.status == 200: for i in range(2,page_num+1): for j in range(1,news_page_num+1): item = NjuptItem() item[\’news_url\’],item[\’news_title\’],item[\’news_date\’] = response.xpath( \”//div[@id=\’newslist\’]/table[1]/tr[\”+str(j)+\”]//a/font/text()\” \”|//div[@id=\’newslist\’]/table[1]/tr[\”+str(j)+\”]//td[@class=\’postTime\’]/text()\” \”|//div[@id=\’newslist\’]/table[1]/tr[\”+str(j)+\”]//a/@href\”).extract() yield item next_page_url = \”http://news.njupt.edu.cn/s/222/t/1100/p/1/c/6866/i/\”+str(i)+\”/list.htm\” yield scrapy.Request(next_page_url,callback=self.parse_news) def parse_news(self, response): news_page_num = 14 if response.status == 200: for j in range(1,news_page_num+1): item = NjuptItem() item[\’news_url\’],item[\’news_title\’],item[\’news_date\’] = response.xpath( \”//div[@id=\’newslist\’]/table[1]/tr[\”+str(j)+\”]//a/font/text()\” \”|//div[@id=\’newslist\’]/table[1]/tr[\”+str(j)+\”]//td[@class=\’postTime\’]/text()\” \”|//div[@id=\’newslist\’]/table[1]/tr[\”+str(j)+\”]//a/@href\”).extract() yield item

其中

name为爬虫名称，在后面启动爬虫的命令当中会用到。
allowed_domains为允许爬虫爬取的域名范围（如果连接到范围以外的就不爬取）
start_urls表明爬虫首次启动之后访问的第一个Url，其结果会被自动返回给parse函数。4.
parse函数为scrapy框架中定义的置函数，用来处理请求start_urls之后返回的response，由我们实现
news_page_num = 14和page_num = 386别表示每页的新闻数目，和一共有多少页，本来也可以通过xpath爬取下来的，但是我实在是对我们学校的网站制作无语了，html各种混合，于是我就偷懒手动输入了。
之后通过item = NjuptItem()来使用我们之前定义的item，用来存储新闻的url、标题、日期。（这里面有一个小技巧就是通过|来接连xpath可以一次返回多个想要抓取的xpath）
通过yield item来将存储下来的item交由后续的pipelines处理
之后通过生成next_page_url来通过scrapy.Request抓取下一页的新闻信息
scrapy.Request的两个参数，一个是请求的URL另外一个是回调函数用于处理这个request的response，这里我们的回调函数是parse_news
parse_news里面的步骤和parse差不多，当然你也可以改造一下parse然后直接将其当做回调函数，这样的话一个函数就ok了

4. 编写 pipelines

初次编写可以直接编辑njupt目录下的pipelines.py文件。pipelines主要用于数据的进一步处理，比如类型转换、存储入数据库、写到本地等。
本爬虫pipelines如下：

12345678910111213

import json class NjuptPipeline(object): def __init__(self): self.file = open(\’njupt.txt\’,mode=\’wb\’) def process_item(self, item, spider): self.file.write(item[\’news_title\’].encode(\”GBK\”)) self.file.write(\”\\n\”) self.file.write(item[\’news_date\’].encode(\”GBK\”)) self.file.write(\”\\n\”) self.file.write(item[\’news_url\’].encode(\”GBK\”)) self.file.write(\”\\n\”) return item

其实pipelines是在每次spider中yield item 之后调用，用于处理每一个单独的item。上面代码就是实现了在本地新建一个njupt.txt文件用于存储爬取下来的内容。

5. 编写 settings.py

settings.py文件用于存储爬虫的配置，有很多种配置，由于是入门教程，不需要配置很多，我们这里就添加一下刚才编写的pipelines就行了。文件内容如下。

123456789

BOT_NAME = \’njupt\’ SPIDER_MODULES = [\’njupt.spiders\’]NEWSPIDER_MODULE = \’njupt.spiders\’ ITEM_PIPELINES = { \’njupt.pipelines.NjuptPipeline\’:1,}