scrapy 解析xml格式的数据

XMLFeedSpider 主要用于 解析 xml格式的数据

创建一个scrapy 项目文件

scrapy startproject xxx

创建一个spider

scrapy genspider -t xmlfeed xxx(名字) xxx.com(网站名)

解析的例子为招远市人民政府的数据

代码如下

"""

招远市人民政府

"""
import re
import scrapy
from scrapy.spiders import XMLFeedSpider

class Zhaoyuancity2GovproSpider(XMLFeedSpider):
    name = 'ZhaoYuanCity_2_GovPro'
    # allowed_domains = ['xxx.com']
    start_urls = ['http://www.zhaoyuan.gov.cn/module/web/jpage/dataproxy.jsp?page=1&webid=155&path=http://www.zhaoyuan.gov.cn/&columnid=48655&unitid=180549&webname=%25E6%258B%259B%25E8%25BF%259C%25E5%25B8%2582%25E6%2594%25BF%25E5%25BA%259C&permiss']
    iterator = 'iternodes' # you can change this; see the docs
    itertag = 'datastore' # change it accordingly

    def parse_node(self, response, selector):
        # 用css 获取 一个列表
        source_list = selector.css('recordset record::text').extract()
        for li in source_list:
            # 用正则解析url 我们去里面获取时间标题和内容
            url= re.search(r'href=\"(.*\.html)\"',li).group(1)
            yield scrapy.Request(
                url=url,
                callback=self.parse
            )

    def parse(self,response):
        # 调用item
        item = {}
        # 写入链接提取器中获取到的url
        item['title_url'] = response.url
        # 标题名
        item['title_name'] = response.css('meta[name="ArticleTitle"]::attr(content)').get()
        # 标题时间
        item['title_date'] = response.css('meta[name="pubdate"]::attr(content)').get()
        # 内容提取 含源码
        item['content_html'] = response.css('.main').get()
        # 目录地址为
        item['site_path_url'] = "http://www.zhaoyuan.gov.cn/col/col48655/index.html?number=ZYC120106"
        # 交给item处理
        yield item

运行项目

scrapy crawl xxxx--nolog

解释——总结：

• iterator属性：设置使用的迭代器，默认为“iternodes”（一个基于正则表达式的高性能迭代器），除此之外还有“html”和“xml”迭代器；

• itertag：设置开始迭代的节点；

• parse_node方法：在节点与所提供的标签名相符合时被调用，在其中定义信息提取和处理的操作；

• namespaces属性：以列表形式存在，主要定义在文档中会被蜘蛛处理的可用命令空间；

• parse方法： 解析数据 发起正常请求

• adapt_response(response)方法：在spider分析响应前被调用；

• process_results(response, results)方法：在spider返回结果时被调用，主要对结果在返回前进行最后的处理。