php爬虫代码 博客园,cnblogs 博客爬取 + scrapy + 持久化(示例代码)

本文介绍了一个使用Scrapy框架实现的爬虫项目,该项目能够从指定网站抓取博客文章的标题、概要、作者及链接等信息,并进一步获取文章的详细内容。通过解析网页结构,爬虫能够自动翻页并持续抓取最新的文章条目。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

cnblogs_spider.py

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

import scrapy

from ..items import TttItem

class ChoutiSpider(scrapy.Spider):

name = ‘chouti‘ # 爬虫名字

start_urls = [‘https://www.cnblogs.com‘]

def parse(self, response):

div_list = response.xpath(‘//div[@class="post_item_body"]‘)

for div in div_list:

title = div.xpath(‘./h3/a/text()‘).extract_first()

url = div.xpath(‘./h3/a/@href‘).extract_first()

outline = div.css(‘.post_item_summary::text‘).extract()[-1]

author = div.xpath(‘./div[@class="post_item_foot"]/a/text()‘).extract_first()

item = TttItem()

item[‘title‘] = title

item[‘outline‘] = outline

item[‘author‘] = author

item[‘url‘] = url

yield scrapy.Request(url, callback=self.get_detail, meta={‘item‘: item})

beforeurl = response.url

print(beforeurl)

# 获取最后一个 a 标签

next_url = response.xpath(‘//div[@class="pager"]/a[last()]/@href‘).extract_first()

print(‘next_url‘, next_url)

yield scrapy.Request(self.start_urls[0] + next_url, callback=self.parse)

# 获取文章详情

def get_detail(self, response):

content = response.xpath(‘//div[@id="cnblogs_post_body"]‘).extract_first()

if not content:

content=response.css(‘content‘).extract_first()

item = response.meta.get(‘item‘)

item[‘content‘] = content

yield item

piplines.py

import pymysql

class CnblogsSaveMysqlPipline(object):

def open_spider(self, spider):

self.conn = pymysql.connect(user=‘root‘, password=‘123123‘, db=‘cnblogs‘)

def close_spider(self, spider):

self.conn.close()

def process_item(self, item, spider):

cursor = self.conn.cursor()

sql = ‘‘‘insert into cnb (title, outline, author, url, content) values (%s,%s,%s,%s,%s)‘‘‘

cursor.execute(sql, args=(item[‘title‘], item[‘outline‘], item[‘author‘], item[‘url‘], item[‘content‘]))

self.conn.commit()

评论
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