实用scrapy批量下载自己的博客园文章

首先，在items.py中定义几个字段用来保存网页数据（网址，标题，网页源码）

如下所示：

import scrapy


class MycnblogsItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    page_title = scrapy.Field()
    page_url = scrapy.Field()
    page_html = scrapy.Field()

最重要的是我们的spider，我们这里的spider继承自CrawlSpider，方便我们定义正则来提示爬虫需要抓取哪些页面。

如：爬去下一页，爬去各个文章

在spdier中，我们使用parse_item方法来解析目标网页，从而得到文章的网址，标题和内容。

注：在parse_item方法中，我们在得到的html源码中，新增了base标签，这样打开下载后的html文件，不至于页面错乱，而是使用博客园的css样式

spdier源码如下:

# -*- coding: utf-8 -*-
from mycnblogs.items import MycnblogsItem
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

class CnblogsSpider(CrawlSpider):
    name = "cnblogs"
    allowed_domains = ["cnblogs.com"]
    start_urls = ['http://www.cnblogs.com/hongfei/']
    rules = (
        # 爬取下一页，没有callback，意味着follow为True
        Rule(LinkExtractor(allow=('default.html\?page=\d+',))),
        # 爬取所有的文章，并使用parse_item方法进行解析，得到文章网址，文章标题，文章内容
        Rule(LinkExtractor(allow=('hongfei/p/',)), callback='parse_item'),
        Rule(LinkExtractor(allow=('hongfei/articles/',)), callback='parse_item'),
        Rule(LinkExtractor(allow=('hongfei/archive/\d+/\d+/\d+/\d+.html',)), callback='parse_item'),
    )

    def parse_item(self, response):
        item = MycnblogsItem()
        item['page_url'] = response.url
        item['page_title'] = response.xpath("//title/text()").extract_first()
        html = response.body.decode("utf-8")
        html = html.replace("<head>", "<head><base href='http://www.cnblogs.com/'>")
        item['page_html'] = html
        yield item

在pipelines.py文件中，我们使用process_item方法来处理返回的item

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import codecs

class MycnblogsPipeline(object):

    def process_item(self, item, spider):
        file_name = './blogs/' + item['page_title'] + '.html'
        with codecs.open(filename=file_name, mode='wb', encoding='utf-8') as f:
            f.write(item['page_html'])
        return item

以下是item pipeline的一些典型应用：

  • 清理HTML数据
  • 验证爬取的数据(检查item包含某些字段)
  • 查重(并丢弃)
  • 将爬取结果保存到数据库中

为了启用一个Item Pipeline组件，你必须将它的类添加到 ITEM_PIPELINES 配置，就像下面这个例子:

ITEM_PIPELINES = {
   'mycnblogs.pipelines.MycnblogsPipeline': 300,
}

程序运行后，将采集所有的文章到本地，如下所示：

原文地址：http://www.cnblogs.com/hongfei/p/6659934.html

posted @ 2017-04-02 21:55  曾是土木人  阅读(2204)  评论(0)  编辑  收藏  举报