Scrapy爬博客园

D:
进入D盘

scrapy startproject cnblogs
创建博客园项目

cd cnblogs
进入项目根目录

scrapy genspider blog cnblogs.com
创建爬虫文件

 

 

 

 

 

 

 

blog.py：

 

# -*- coding: utf-8 -*-
import scrapy


class BlogSpider(scrapy.Spider):
    name = 'blog'
    allowed_domains = ['cnblogs.com']
    start_urls = ['https://www.cnblogs.com/']

    def parse(self, response):
        homePage = response.css('.post_item_body')
        # 提取首页展示的正文，保存至变量homePage

        for v in homePage:
            # 循环获取每一条里面的标题与作者
            titlelnk = v.css('.titlelnk::text').extract_first()
            # 提取标题
            lightblue = v.css('.lightblue::text').extract_first()
            # 提取作者

            """
            接下来进行写文件操作，每个作者的帖子储存在一个txt文档里面
            """
            fileName = '%s-帖子.txt' % lightblue
            # 定义文件名,如：作者-帖子.txt

            with open(fileName, "a+") as f:
                # 不同作者的标题保存在不同的txt文档，“a+”以追加的形式
                f.write(titlelnk)
                f.close()

scrapy crawl blog
运行爬虫

 

首页展示的20条博客的标题和作者：

 

爬取下一页：

 

blog.py：

 

# -*- coding: utf-8 -*-
import scrapy


class BlogSpider(scrapy.Spider):
    name = 'blog'
    allowed_domains = ['cnblogs.com']
    start_urls = ['https://www.cnblogs.com/']

    def parse(self, response):
        homePage = response.css('.post_item_body')
        # 提取首页展示的正文，保存至变量homePage

        for v in homePage:
            # 循环获取每一条里面的标题与作者
            titlelnk = v.css('.titlelnk::text').extract_first()
            # 提取标题
            lightblue = v.css('.lightblue::text').extract_first()
            # 提取作者

            """
            接下来进行写文件操作，每条帖子的标题储存在一个txt文档里面
            """
            fileName = '%s-帖子.txt' % lightblue
            # 定义文件名,如：作者-帖子.txt

            with open(fileName, "a+") as f:
                # 不同作者的标题保存在不同的txt文档，“a+”以追加的形式
                f.write(titlelnk)
                f.close()

        """
        接下来我们需要判断下一页是否存在，
        如果存在,
        我们需要继续提交给parse执行
        关键看scrapy如何实现链接提交
        """
        next_page = response.css('.pager a:contains("Next")::attr(href)').extract_first()
        # css选择器提取下一页链接

        if next_page is not None:
            # 判断是否存在下一页
            """
             如果是相对路径，如：/page/1
             urljoin能把相对地址转换成绝对地址
             最终next_page为：https://www.cnblogs.com/#p2
            """
            next_page = response.urljoin(next_page)

            """
            接下来就是爬取下一页或是内容页的秘诀所在：
            scrapy给我们提供了这么一个方法：scrapy.Request()
            这个方法还有许多参数，后面我们慢慢说，这里我们只使用了两个参数
            一个是：我们继续爬取的链接（next_page），这里是下一页链接，当然也可以是内容页
            另一个是：我们要把链接提交给哪一个函数(callback=self.parse)爬取，这里是parse函数，也就是本函数
            当然，我们也可以在下面另写一个函数，比如：内容页，专门处理内容页的数据
            经过这么一个函数，下一页链接又提交给了parse，那就可以不断的爬取了，直到不存在下一页
            """
            yield scrapy.Request(next_page, callback=self.parse)