Scrapy中的Request函数可以用来抓取访问子网页的信息。
用法类似如下形式
yield Request(['url'], callback=self.<yourfunction>)
需要注意的是Request函数前面需要加上yield
关于关键字yield的介绍可以参考这篇博客(初学者比较好理解):
抓取的网站
我的目标从盗墓笔记系列的每一本抓取它的章节名称。
在items.py中声明抓取的信息
scrapy框架中items.py的代码如下:
# -*- coding: utf-8 -*-
import scrapy
class DaomubijiItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
bookOrder = scrapy.Field() # 书编号
bookName = scrapy.Field() # 书标题
chapterFirst = scrapy.Field() # 章节类别
chapterMid = scrapy.Field() # 章节序号
chapterLast = scrapy.Field() # 章节名称
在Scrapy中使用MongoDB
Scrapy中使用MongoDB需要在settings.py中定义接口变量
# -*- coding: utf-8 -*-
BOT_NAME = 'daomubiji'
SPIDER_MODULES = ['daomubiji.spiders']
NEWSPIDER_MODULE = 'daomubiji.spiders'
ITEM_PIPELINES = {
'daomubiji.pipelines.DaomubijiPipeline': 300 # 数字代表这个管道的优先级，取0-1000之间的任意一个数即可
}
USER_AGENT = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.96 Safari/537.36'
COOKIES_ENABLED = True
MONGODB_HOST = '127.0.0.1'
MONGODB_PORT = 27017
MONGODB_DBNAME = 'Mydaomubiji'
MONGODB_DOCNAME = 'daomubiji'
这里我定义的数据库名称为：“Mydaomubiji”；数据库表名为:"daomubiji"
接着我们在pipelines.py调用接口，代码如下:
from items import DaomubijiItem
from scrapy.conf import settings
import pymongo
class DaomubijiPipeline(object):
def __init__(self):
host = settings['MONGODB_HOST']
port = settings['MONGODB_PORT']
dbName = settings['MONGODB_DBNAME']
client = pymongo.MongoClient(host=host, port=port)
tdb = client[dbName]
self.post = tdb[settings['MONGODB_DOCNAME']]
def process_item(self, item, spider):
bookInfo = dict(item)
self.post.insert(bookInfo)
return item
网页信息抓取代码
#-*_coding:utf8-*-
import scrapy
from scrapy.spiders import Spider
from scrapy.selector import Selector
from scrapy.http import Request
from daomubiji.items import DaomubijiItem
class daomubijiSpider(Spider):
name = "daomubijiSpider"
start_urls = ['http://www.daomubiji.com/']
def parse_detail(self,response): # 提取子网页信息
selector = Selector(response)
item = DaomubijiItem()
book_order_name = selector.xpath('//h1/text()').extract()[0]
pos = book_order_name.find(u'：')
book_order = book_order_name[:pos] # 获取书编号
book_name = book_order_name[pos + 1:] # 获取书名
chapter_list = selector.xpath('//article[@class="excerpt excerpt-c3"]//text()').extract()
for each in chapter_list:
pos_first = each.find(' ')
pos_last = each.rfind(' ')
chapter_first = ''
chapter_mid = ''
chapter_last = ''
if pos_first != pos_last:
chapter_first = each[:pos_first]
chapter_mid = each[(pos_first + 1): pos_last]
chapter_last = each[pos_last + 1:]
else:
chapter_first = each[:pos_first]
chapter_last = each[pos_last + 1:]
# 存储信息
item['bookOrder'] = book_order
item['bookName'] = book_name
item['chapterFirst'] = chapter_first
item['chapterMid'] = chapter_mid
item['chapterLast'] = chapter_last
yield item
def parse(self, response): # 程序从这个函数开始执行
selector = Selector(response)
book_filed = selector.xpath('//article/div') # 抓取书标题
book_link = selector.xpath('//article/p/a/@href').extract() # 抓取盗墓笔记每本书的链接
# '//article/p/a/@href'也可以写成('//article//@href')
link_flag = 0
for each in book_filed:
book_name_title = each.xpath('h2/text()').extract()[0]
pos = book_name_title.find(u'：')
if pos == -1: # 只抓取符合我们格式规定的书
continue
yield Request(book_link[link_flag], callback=self.parse_detail) # 调用parse_detail函数
link_flag += 1
网页抓取xpath路径就不作解释了，主要看一下子网页信息的抓取过程
book_link中的信息为:
每一条url都存放在book_link列表。
在子网页中，我们需要提取每一章的名称，对它的处理定义在parse_detail函数。
最后在parse函数中使用Request便可实现对parse_detail的调用。Request中的callback=后面加上所需调用的函数名。
当然我们在某些时候访问类似的页面时可以调用parse本身，这样子就像一个递归函数，类似如下:
yield Request(nextLink,callback=self.parse)
比如访问"豆瓣电影250"网站时,爬虫将从第一页自动爬取到最后一页,而不需要我们那手动设置访问页码。
运行结果
爬取的信息存在mongoDB中，Ubuntu下使用Robomongo可视化工具查看的结果如下:
从上面可以看到我们成功抓取了盗墓笔记每一本书的章节信息
另外由于没有排序所以数据库的信息所以看起来比较乱。
附上代码链接:
就写到这里了
好好学习天天向上~
网友评论