利用scrapy获取抽屉新热榜的标题和内容以及新闻地址保存到本地

1、安装scrapy

　　pip3 install scrapy

2、打开terminal，cd 到想要创建程序的目录下

3、创建一个scrapy项目

　　在终端输入：scrapy startproject my_first_scrapy（项目名）

4、在终端输入：cd my_first_scrapy  进入到项目目录下

5、新建爬虫：

　　输入： scrapy genspider chouti chouti.com  （chouti: 爬虫名称， chouti.com : 要爬取的网站的起始网址）

6、在pycharm中打开my_first_scrapy，就可以看到刚才创建的项目:

7、打开settings.py可以对项目相关参数进行设置，如设置userAgent:

8、打开chouti.py编写代码：

# -*- coding: utf-8 -*-
"""
获取抽屉新热榜的标题和内容以及新闻地址保存到本地
"""
import scrapy
from scrapy.http import Request
from scrapy.http.response.html import HtmlResponse
from ..items import MyFirstScrapyItem
 
class ChoutiSpider(scrapy.Spider):
    name = 'chouti'
    allowed_domains = ['chouti.com']
    start_urls = ['http://chouti.com/']
 
    def parse(self, response):
        # print(response, type(response))  # <class 'scrapy.http.response.html.HtmlResponse'>
        # print(response.text)
 
        # 解析文本内容， 提取标题和简介,地址
 
        # 去页面中找id=content-list的div标签,再去这个div下找class=item的div
        items = response.xpath("//div[@id='content-list']/div[@class='item']")
        # "//"表示从html文件的根部开始找。"/"表示从儿子里面找。".//"表示相对的，及当前目录下的儿子里面找
        for item in items:
            # 当前目录下找class=part1的div标签，再找div标签下的a标签的文本信息text(),并且只取第一个
            # a标签后面可以加索引，表示取第几个a标签，如第一个：a[0]
            title = item.xpath(".//div[@class='part1']/a/text()").extract_first().strip()  # 去掉标题两端的空格
            href = item.xpath(".//div[@class='part1']/a/@href").extract_first().strip()  # 取href属性
            summary = item.xpath(".//div[@class='area-summary']/span/text()").extract_first()
            # print(1, title)
            # print(2, href)
            # print(3, summary)
            item_obj = MyFirstScrapyItem(title=title, href=href, summary=summary)  # 实例化
            yield item_obj  # 将数据交给pipelines
 
        # 获取页码
        page_list = response.xpath("//div[@id='dig_lcpage']//a/@href").extract()
        for url in page_list:
            url = "https://dig.chouti.com%s" % url
            yield Request(url=url, callback=self.parse)  # 下载页面内容

9、打开items.py写代码：

# -*- coding: utf-8 -*-
 
# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html
 
import scrapy
 
class MyFirstScrapyItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    # 规则化:将要持久化的数据转化为某种格式
    title = scrapy.Field()
    href = scrapy.Field()
    summary = scrapy.Field()

10、打开pipelines.py写代码:

"""
1、先去类中找from_crawler
    有：执行且必须返回一个当前类的对象
    没有：不执行，则去执行构造方法__init__(self)并返回一个对象
2、再去执行"对象.其他方法"
"""
 
class MyFirstScrapyPipeline(object):
    def __init__(self, file_path):
        self.f = None
        self.file_path = file_path
 
    @classmethod
    def from_crawler(cls, crawler):
        """
        初始化时，用于创建pipelines对象
        :param crawler:
        :return:
        """
        file_path = crawler.settings.get("CHOUTI_NEWS_PATH")  # 存储文件的路径
        return cls(file_path)
 
    def open_spider(self, spider):
        """
        打开文件
        :param spider:提交数据过来的爬虫对象
        :return:
        """
        self.f = open(self.file_path, "a+", encoding="utf-8")
 
    def process_item(self, item, spider):
        """
        :param item: 爬虫中yield过来的item对象
        :param spider:提交数据过来的爬虫对象
        :return:
        """
        self.f.write(item["href"] + "\n")
        self.f.flush()  # 将内容强刷到硬盘进行保存
        return item
 
    def close_spider(self, spider):
        """
        关闭文件
        :param spider:提交数据过来的爬虫对象
        :return:
        """
        self.f.close()

11、在settings.py中找到 ITEM_PIPELINES进行设置，并设置存储下载的新闻存储的文件路径：

12、运行爬虫项目，在终端输入：

　　scrapy crawl chouti（会打印日志）  或者 scrapy crawl chouti --nolog （不打印日志）