Scrapy基础(六)————Scrapy爬取伯乐在线一通过css和xpath解析文章字段
上次我们介绍了scrapy的安装和加入debug的main文件，这次重要介绍创建的爬虫的基本爬取有用信息
通过命令(这篇博文)创建了jobbole这个爬虫，并且生成了jobbole.py这个文件，又写了xpath和css的基本用法的博文
首先分析网页的结构和抓取流程：
1,下载start_urls，交给parse方法处理
2,parse处理，从中获取本页的文章url（以后获取到文章首图传递个自定义的parse_detail），和下一页的url
3,将下一页的url交给parse方法。继续进行1和2；将文章url传递给自定义的解析函数parse_detail
4,parse方法对下一页的url进行下载，自定义的parse_detial则通过css或者xpath 解析有用的信息传递给Item，次数两个操作是异步操作
以下是源码：
1 # -*- coding: utf-8 -*- 2 import scrapy 3 import re 4 from scrapy.http import Request 5 class JobboleSpider(scrapy.Spider): 6 name = "jobbole" 7 allowed_domains = ["blog.jobbole.com"] 8 start_urls = ['http://blog.jobbole.com/all-posts/'] 9 10 def parse(self, response): 11 ''' 12 进行两部操作：1,从页面抓取所有的文章url交给解析器进行解析这个页面的标题时间点赞数等 13 2，从页面抓取下一个页面的url 进行下载 14 15 ''' 16 #从网页提取文章的URL,交给scrapy下载，并传递给parse_detail解析 17 #css_urlsresponse.css('#archive .floated-thumb .post-thumb a ::attr(href)').extract() 18 post_urls = response.xpath('/html/body/div[1]/div[3]/div/div/a/@href').extract() 19 for url in post_urls: 20 #同过scrapy的Request()下载，并且交给自定义的parse_detail解析 21 #注意：在这里从网页上解析的url是全的url，不需要拼接，若不全则需要进行拼接 22 #拼接通过 urllib库的parse中的urljoin("http://blog.jobbole.com/","110769")函数进行拼接 23 yield Request(url,callback=self.parse_detail) 24 25 #从网页获取下一页 26 #css_next_url = response.css('.next.page-numbers::attr(href)').extract_first() 27 next_url = response.xpath('/html/body/div[1]/div[3]/div[21]/a[4]/@href').extract_first() 28 if next_url: 29 yield Request(next_url,callback=self.parse) 30 def parse_detail(self,response): 31 #//*[@id="post-110769"]/div[1]/h1 32 #re_selector = response.xpath('//*[@id="post-110769"]/div[1]/h1/text()') 33 #re2_selector = response.xpath('/html/body/div[3]/div[1]/h1/text()') 34 #re3_selector = response.xpath('//div[@class="entry-header"]/h1/text()') 35 36 37 38 #xpath()中的 text()函数是去除html,查看d标签外的 data的内容 39 title = response.xpath('/html//div[@class="entry-header"]/h1/text()') 40 41 #xpath()中的extracr()函数作用：将xpath()函数产生的Selector xpath对象的内容，并且以列表的对象返回；其他事去除空格和点号不必要的字符 42 add_time=response.xpath('/html//p[@class="entry-meta-hide-on-mobile"]/text()').extract()[0].strip().replace("·","") 43 44 #文章点赞人数,contains() 是xpath()的内置函数用法，找出在span中class属性包含'vote-post-up'字符串的标签 45 like = response.xpath('//span[contains(@class,"vote-post-up")]/h10/text()').extract()[0] 46 47 #文章收藏人数:fav_num xpath解析 10收藏 re再解析 为：10 48 fav_temp = response.xpath('//span[contains(@class,"bookmark-btn")]/text()').extract()[0] 49 re_fav_num = re.match(".*(\d+).*",fav_temp) 50 if re_fav_num: 51 fav_num = int(re_fav_num.group(1)) 52 else: 53 fav_num = 0 54 #文章评论人数：解析同收藏人数 55 comment_temp = response.xpath('//span[@class="btn-bluet-bigger href-style hide-on-480"]/text()').extract()[0] 56 re_comment = re.match(".*(\d+).*",comment_temp) 57 if re_comment: 58 comment_num = int(re_comment.group(1)) 59 else: 60 comment_num = 0 61 #文章内容，简单提取，不太复杂的，不深入研究 62 content = response.xpath('//div[@class="entry"]').extract()[0] 63 #标签：涉及去重评论 64 temp_tag = response.xpath('/html//p[@class="entry-meta-hide-on-mobile"]/a/text()') 65 tag_list = [x for x in tag if not x.strip().endswith("评论") ] 66 tags = ";".join(tag_list) 67 pass 68 ''' 69 70 #通过css选择器提取数据 71 72 #提取标题 .后面跟的代表的是class的属性 73 css_title = response.css(".entry-header h1::text").extract()[0] 74 75 #添加时间 提取p标签的class的唯一值为entry-meta-hide-on-mobile属性的标签，::text是提取其内容，与text()相似 76 css_add_time =response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·","") 77 78 #点赞人数：class 属性为vote-post-up 的唯一的标签 79 css_like = response.css(".vote-post-up h10::text").extract()[0] 80 81 #文章收藏人数，对于数组来说按索引提取有风险，所有需要异常捕获操作，extract_first()就是对其进行异常操作,保证列表为空时不报错 82 css_fav_temp = response.css(".bookmark-btn::text").extract_first() 83 re_fav_num = re.match(".*(\d+).*",fav_temp) 84 if re_fav_num: 85 css_fav_num = re_fav_num.group(1) 86 87 #文章评论人数 88 re_comment = response.css('a[href="#article-comment"] span::text').extract_first()("0") 89 if re_comment: 90 comment_num = re_comment.group(1) 91 92 #标签：涉及去重评论 93 temp_tag = response.css('p[class="entry-meta-hide-on-mobile"] a::text').extract() 94 tag_list = [x for x in tag if not x.strip().endswith("评论") ] 95 tags = ";".join(tag_list) 96 '''
