scrapy-splash抓取动态数据例子七

一、介绍

　　　　本例子用scrapy-splash抓取36氪网站给定关键字抓取咨询信息。

　　　　给定关键字：个性化；融合；电视

　　　　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('//li[@class="item"]')

　　　　2、抓取标题

　　　　　　首先列表页面，根据标题和日期来判断是否自己需要的资讯，如果是，就今日到资讯对应的链接，来抓取来源，如果不是，就不用抓取了

　　　　　　抓取代码：titles = site.xpath('//div[@class="mobile_article"]/h1/text()')

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://36kr.com' + str(sel.xpath('.//a/@href')[0].extract())

　　　　4、抓取日期

　　　　　　抓取代码：dates = sel.xpath('.//div[@class="info"]/span[2]/@title')

　　　　5、抓取来源

　　　　　　抓取代码：sources = site.xpath('//div[@class="author am-fl"]/span[2]/abbr/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 splash_test.items import SplashTestItem
import IniFile
import sys
import os
import re
import time

reload(sys)
sys.setdefaultencoding('utf-8')

# sys.stdout = open('output.txt', 'w')

class kr36Spider(Spider):
    name = 'kr36'

    configfile = os.path.join(os.getcwd(), 'splash_test\spiders\setting.conf')

    cf = IniFile.ConfigFile(configfile)
    information_keywords = cf.GetValue("section", "information_keywords")
    information_wordlist = information_keywords.split(';')
    websearchurl = cf.GetValue("kr36", "websearchurl")
    start_urls = []
    for word in information_wordlist:
        print websearchurl + word
        start_urls.append(websearchurl + word)

    # request需要封装成SplashRequest
    def start_requests(self):
        for url in self.start_urls:
            index = url.rfind('/')
            yield SplashRequest(url
                                , self.parse
                                , args={'wait': ''},
                                meta={'keyword': url[index + 1:]}
                                )

    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):

        currentDate = time.strftime('%Y-%m-%d')
        datePattern = re.compile(r'\d{4}-\d{1,2}-\d{1,2}')
        strDate = re.findall(datePattern, strDateText)
        if len(strDate) == 1:
            if self.Comapre_to_days(currentDate, strDate[0]) == 0:
                return True, currentDate
        return False, ''

    def parse(self, response):
        site = Selector(response)
        sels = site.xpath('//li[@class="item"]')
        for sel in sels:
            dates = sel.xpath('.//div[@class="info"]/span[2]/@title')
            flag,date =self.date_isValid(dates[0].extract())
            titles = sel.xpath('.//div[@class="intro"]/h3/div/em')#如果没有em标签，说明标题中没有搜索的关键字，这样直接就过滤掉了
            if  flag and len(titles)>0 :
                url = 'http://36kr.com' + str(sel.xpath('.//a/@href')[0].extract())
                yield SplashRequest(url
                                , self.parse_item
                                , args={'wait': ''},
                                meta={'date': date, 'url': url,
                                      'keyword': response.meta['keyword']}
                                )

    def parse_item(self, response):
        site = Selector(response)
        titles = site.xpath('//div[@class="mobile_article"]/h1/text()')
        if len(titles) > 0:
            it = SplashTestItem()
            keyword = response.meta['keyword']
            title = titles[0].extract()

            it['title'] = title
            it['url'] = response.meta['url']
            it['date'] = response.meta['date']
            it['keyword'] = response.meta['keyword']
            sources = site.xpath('//div[@class="author am-fl"]/span[2]/abbr/text()')
            if len(sources) > 0:
                it['source'] = sources[0].extract()
            return it