美文网首页
scrapy简单爬取大话西游论坛文本

scrapy简单爬取大话西游论坛文本

作者: HouserLin | 来源:发表于2016-07-03 17:07 被阅读73次

    目标:登录大话西游论坛入口网站http://dhxy.netease.com/forum-39-1.html 自定义页数爬取

    这个版块 的所有具有
    版主回复 标志的帖子的文本内容

    工具:scrapy框架
    思路:获取start_urls 网页内容,获取帖子链接,存入数组,将帖子链接一个一个传递给parse_content 函数解析内容,parse_content生成字典并且获取下一页链接,回调parse函数,重新进行下一页的爬取

    代码实现:

    创建项目:scrapy startporject dhxy_luntan
    根据提示创建 spider

    spider.py

    # -*- coding: utf-8 -*-
    import scrapy
    import re
    import sys
    from scrapy.http import Request
    from dhxy_luntan.items import DhxyLuntanItem
    reload(sys)
    sys.setdefaultencoding('utf-8')
    
    class DhxyLuntanSpiderSpider(scrapy.Spider):
        name = "dhxy_luntan_spider"
        #allowed_domains = ["http://dhxy.netease.com/forum-39-1.html"]
        start_urls = (
            'http://dhxy.netease.com/forum-39-1.html',
        )
    
        def parse(self, response):
            urls = []
            sel = scrapy.Selector(response)
            content = sel.xpath('//*[@id="threadlist"]/div[2]/form/table/tbody[starts-with(@id,"normalthread_")]/tr/th').extract()
            print len(content)
            str_ = u'版主回复'
            qiandao_ = u'签到'
            for i in content:       
                if str_ in i:
                    hrefs = re.findall('</em> <a href="(.*?)" .*?onclick.*?</a>', i, re.S)
                    if hrefs:
                        href = hrefs[0]
                        full_href = 'http://dhxy.netease.com/' + href
                        urls.append(full_href)
            for i in urls:
                yield Request(i, callback=self.parse_content)
        def parse_content(self, response):
            item = DhxyLuntanItem()
            sel = scrapy.Selector(response)
            title  = sel.xpath('//*[@id="thread_subject"]/text()').extract()[0]
            item['url'] = u'\n['+title + u']' + response.url
            data = sel.xpath('//tr/td[starts-with(@id, "postmessage")]')
            content = data.xpath('string(.)').extract()  #string(.) 当前层的所有内容作为一个字符串输出
            if content:
                item['content'] = content
                yield item
            for i in range(2,5):   
                next_page = 'http://dhxy.netease.com/forum-39-' + str(i) + '.html'
                yield scrapy.http.Request(next_page, callback = self.parse)
    
    
    

    items.py

    Paste_Image.png

    setting.py
    因为需要输出csv格式,在setting文件中设置


    Paste_Image.png

    pipeline.py
    不用保存到数据库pipeline无需设置

    运行代码:scrapy crawl dhxy_luntan_spider
    生成csv文件:

    Paste_Image.png

    使用excel的导出功能,更改文件类型:

    Paste_Image.png

    特殊字符可在编辑器中替换,?分析为&nbsp(html 里是空格占位符,普通的空格在 html 里如果连续的多个可能被认为只有一个,而这个东西你写几个就能占几个空格位)

    相关文章

      网友评论

          本文标题:scrapy简单爬取大话西游论坛文本

          本文链接:https://www.haomeiwen.com/subject/rkhcjttx.html