scrapy-splash抓取动态数据例子三

　　一、介绍

　　　　本例子用scrapy-splash抓取今日头条网站给定关键字抓取咨询信息。

　　　　给定关键字：打通；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('//div[@class="articleCard"]')

　　　　2、抓取标题

　　　　　　由于在抓取标题的时候，在列表页不太好抓取，所以就绕了一下直接每条资讯的链接页面来抓取标题

　　　　　　抓取代码：titles = sel.xpath('.//div[@class="doc-title"]/text()')

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://www.toutiao.com' + str(sel.xpath('.//a[@class="link title"]/@href')[0].extract())

　　　　4、抓取日期

　　　　　　抓取代码：dates = sel.xpath('.//span[@class="lbtn"]/text()')

　　　　5、抓取来源

　　　　　　抓取代码：source=str(sel.xpath('.//a[@class="lbtn source J_source"]/text()')[0].extract())

 　　

　　四、完整代码

　　　　1、toutiaoSpider

# -*- 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 toutiaoSpider(Spider):
    name = 'toutiao'

    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("toutiao", "websearchurl")
    start_urls = []
    for word in information_wordlist:
        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': '2'},
                                meta={'keyword': url[index + 1:]}
                                )

    def date_isValid(self, strDateText):
        '''
        判断日期时间字符串是否合法：如果给定时间大于当前时间是合法，或者说当前时间给定的范围内
        :param strDateText: 四种格式 '2小时前'; '2天前' ; '昨天' ;'2017.2.12 '
        :return: True:合法；False:不合法
        '''
        currentDate = time.strftime('%Y-%m-%d')
        if strDateText.find('分钟前') > 0 or strDateText.find('刚刚') > -1:
            return True, currentDate
        elif strDateText.find('小时前') > 0:
            datePattern = re.compile(r'\d{1,2}')
            ch = int(time.strftime('%H'))  # 当前小时数
            strDate = re.findall(datePattern, strDateText)
            if len(strDate) == 1:
                if int(strDate[0]) <= ch:  # 只有小于当前小时数，才认为是今天
                    return True, currentDate
        return False, ''

    def parse(self, response):
        site = Selector(response)
        # it_list = []
        keyword = response.meta['keyword']
        sels = site.xpath('//div[@class="articleCard"]')
        for sel in sels:
            dates = sel.xpath('.//span[@class="lbtn"]/text()')
            if len(dates) > 0:
                flag, date = self.date_isValid(dates[0].extract())
                if flag:
                    url = 'http://www.toutiao.com' + str(sel.xpath('.//a[@class="link title"]/@href')[0].extract())
                    source=str(sel.xpath('.//a[@class="lbtn source J_source"]/text()')[0].extract())
                    yield SplashRequest(url
                                        , self.parse_item
                                        , args={'wait': '1'},
                                        meta={'date': date, 'url': url,
                                              'keyword': keyword, 'source': source}
                                        )


    def parse_item(self, response):
        site = Selector(response)
        it = SplashTestItem()
        titles = site.xpath('//h1[@class="article-title"]/text()')
        count = 0
        if len(titles) > 0:
            keyword = response.meta['keyword']
            strtiltle = str(titles[0].extract())
            if strtiltle.find(keyword) > -1:
                it['title'] = strtiltle
                it['url'] = response.meta['url']
                it['date'] = response.meta['date']
                it['keyword'] = keyword
                it['source'] = response.meta['source']
                return it

　　　　2、SplashTestItem

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

# Define here the models for your scraped items
#
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html

import scrapy

class SplashTestItem(scrapy.Item):
    #标题
    title = scrapy.Field()
    #日期
    date = scrapy.Field()
    #链接
    url = scrapy.Field()
    #关键字
    keyword  = scrapy.Field()
    #来源网站
    source =  scrapy.Field()

　　　　3、SplashTestPipeline

# -*- 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
import json

class SplashTestPipeline(object):
    def __init__(self):
        # self.file = open('data.json', 'wb')
        self.file = codecs.open(
            'spider.txt', 'w', encoding='utf-8')
        # self.file = codecs.open(
        #     'spider.json', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        line = json.dumps(dict(item), ensure_ascii=False) + "\n"
        self.file.write(line)
        return item

    def spider_closed(self, spider):
        self.file.close()

　　　　4、setting.conf

iedriverserver = C:\Program Files\Internet Explorer\IEDriverServer.exe
meeting_keywords = 互联网电视;智能电视;数字;影音;家庭娱乐;节目;视听;版权;数据
information_keywords = 电视;数字电视;OTT;节目内容;盒子;智能推荐;个性化;视频;影音;跨屏;融合;打通;多平台
#information_keywords = 电视;OTT
invalid_day = 4
nexturllabel = 下一页
timesleep = 3
[toutiao]

websearchurl = http://www.toutiao.com/search/?keyword=