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。
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
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。
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
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)
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:
下面我们直接开始编写主要程序部分:
先爬取基本的信息
- yg.py 文件:
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