scrapy-splash抓取动态数据例子十四

　　一、介绍

　　　　本例子用scrapy-splash爬取超级TV网站的资讯信息，输入给定关键字抓取微信资讯信息。

　　　　给定关键字：数字；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('//ul[@class="la_list"]/li')

　　　　2、抓取标题

　　　　　　抓取代码：title = str(sel.xpath('.//h4/a/text()')[0].extract())

　　　　3、抓取链接

　　　　　　抓取代码：url = str(sel.xpath('.//h4/a/@href')[0].extract())

　　　　4、抓取日期

　　　　　　抓取代码：strdates = sel.xpath('.//div[@class="time"]/span/text()')

　　　　5、抓取来源

　　　　　　抓取代码：sources = site.xpath('//span[@class="wzof"]/a/text()')；或sources = site.xpath('//span[@class="wzof"]/text()')

　　

 　　

　　四、完整代码

# -*- 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 scrapy_ott.items import SplashTestItem
from scrapy_ott.mongoDB import mongoDbBase
import scrapy_ott.IniFile
import sys
import os
import re
import time

reload(sys)
sys.setdefaultencoding('utf-8')

# sys.stdout = open('output.txt', 'w')

class chaojitvSpider(Spider):
    name = 'chaojitv'
    db = mongoDbBase()

    configfile = os.path.join(os.getcwd(), 'scrapy_ott\setting.conf')
    cf = scrapy_ott.IniFile.ConfigFile(configfile)
    information_wordlist = cf.GetValue("section", "information_keywords").split(';')
    websearchurl_list = cf.GetValue("chaojitv", "websearchurl").split(';')
    start_urls = []
    for url in websearchurl_list:
        start_urls.append(url)

    # request需要封装成SplashRequest
    def start_requests(self):
        for url in self.start_urls:
            yield SplashRequest(url
                                , self.parse
                                , args={'wait': '2'}
                                )
    def Comapre_to_days(self,leftdate, rightdate):
        '''
        比较连个字符串日期，左边日期大于右边日期多少天
        :param leftdate: 格式：2017-04-15
        :param rightdate: 格式：2017-04-15
        :return: 天数
        '''
        l_time = time.mktime(time.strptime(leftdate, '%Y-%m-%d'))
        r_time = time.mktime(time.strptime(rightdate, '%Y-%m-%d'))
        result = int(l_time - r_time) / 86400
        return result

    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')
        datePattern = re.compile(r'\d{4}-\d{2}-\d{2}')
        strDate = re.findall(datePattern, strDateText)
        if len(strDate) == 1:
            if self.Comapre_to_days(currentDate, strDate[0]) <= 1:
                return True, strDate[0]
        return False, ''

    def parse(self, response):
        site = Selector(response)
        sels = site.xpath('//ul[@class="la_list"]/li')

        for sel in sels:
            strdates = sel.xpath('.//div[@class="time"]/span/text()')
            if len(strdates)>0:

                flag, date = self.date_isValid(str(strdates[0].extract()))
                if flag:
                    title = str(sel.xpath('.//h4/a/text()')[0].extract())
                    for keyword in self.information_wordlist:
                        if title.find(keyword) > -1:
                            url = str(sel.xpath('.//h4/a/@href')[0].extract())
                            yield SplashRequest(url
                                                , self.parse_item
                                                , args={'wait': '1'},
                                                meta={'date': date, 'url': url,
                                                      'keyword': keyword, 'title': title}
                                                )


    def parse_item(self, response):
        site = Selector(response)
        it = SplashTestItem()
        it['title'] = response.meta['title']
        it['url'] = response.meta['url']
        it['date'] = response.meta['date']
        it['keyword'] = response.meta['keyword']
        sources = site.xpath('//span[@class="wzof"]/a/text()')
        if len(sources)>0:
            it['source'] = sources[0].extract()
        else:
            #时间：2017-06-15  来源：环球网  编辑：叶子    
            sources = site.xpath('//span[@class="wzof"]/text()')
            if len(sources)>0:
                ss= str(sources[0].extract()).split('：')
                if len(ss)>2:
                    it['source']= ss[2].replace(u'编辑： ','').replace(' ','')

        self.db.SaveInformation(it)
        return it