scrapy爬虫框架实现简单案例:爬取阳光平台内容

scrapy爬虫框架的熟悉

近期在学习scrapy爬虫框架,通过爬取阳光平台的内容来进一步理解并熟悉此框架。为了以后能够快速回顾这个爬虫框架,在此做个记录。

首先,明确爬取目标。

在这里插入图片描述
这个就是待抓取的平台,其中抓取的数据有标题、日期
不仅如此,我们还需要抓取其中的详细内容,我们随机点击一个链接,便知道需要抓取的是详情内容,如下图
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190128194806531.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0xqdWljZQ==,size_16,color_FFFFFF,t_
这样,我们就已经明确了目标,那么就开始朝着这个方向继续前进

其次,观察所需爬取平台的特征(即观察是否适合用xpath方式/json方式)

个人一开始比较倾向于xpath方式爬取,毕竟这个方式对我来说比较亲和,于是便开始对比element和network的内容是否能够一一对应。
Alt
在这里插入图片描述
对比以上两个图,发现两栏的内容相似度较高,都有table,并且对应的tr/td内容比较规则,故初步判定可使用xpath方式
在这里插入图片描述
但是,在用xpath方式时要格外注意这个tbody字符串,它在element处存在,但在network中却不存在(如下图)在这里插入图片描述
这一点在编写程序时要格外注意

最后,开始创建scrapy项目并生成爬虫

创建的步骤就不一一赘述了。
创建完后如下图所示:
在这里插入图片描述

下面我们直接开始编写主要程序部分:

先爬取基本的信息
from yangguang.items import YangguangItem

class YgSpider(scrapy.Spider):
    name = 'yg'
    allowed_domains = ['sun0769.com']
    start_urls = ['http://wz.sun0769.com/index.php/question/report?page=']

    def parse(self, response):
        li_list = response.xpath("//div[@class='greyframe']/table[2]//tr")[1:]
        for li in li_list:
            item = YangguangItem()
            item["link"] = li.xpath("./td[2]/a[2]/@href").extract_first()  # 爬取进入详情页面的链接
            item["title"] = li.xpath("./td[2]/a[2]/@title").extract_first()  # 爬取主题
            item["date"] = li
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值