美文网首页
深度爬虫

深度爬虫

作者: 楚糖的糖 | 来源:发表于2018-11-08 21:50 被阅读0次

1.scrapy startproject circ
2.cd circ
3.scrapy genspider -t crawl cf circ.gov.cn

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
import re


class CfSpider(CrawlSpider):
    name = 'cf'
    allowed_domains = ['circ.gov.cn']
    start_urls = ['http://bxjg.circ.gov.cn/web/site0/tab5241/']
    # 定义提取url地址规则
    rules = (
       # LinkExtractor链接提取器,提取url地址
        #callback提取出来的url地址,response会交给callba处理
        #follow表示当前url地址的响应是否重新经过rules来提取url,不写表示不会继续被过滤
        Rule(LinkExtractor(allow=r'/web/site0/tab5241/info\d+\.htm'), callback='parse_item'),  #第一页
        Rule(LinkExtractor(allow=r'/web/site0/tab5241/module14458/page\d+\.htm'), follow=True),#翻页
    )
    #parse函数有特殊功能,不能定义
    def parse_item(self, response):
        item = {}
        item["title"]=re.findall("<!--TitleStart-->(.*?)<!--TitleEnd-->",response.body.decode())[0]
        item["publish_data"]=re.findall("发布时间:(20\d{2}-\d{2}-\d{2})",response.body.decode())[0]
        print(item)
    #     yield scrapy.Request(
    #         url,
    #         callback=self.parse_detail,
    #         meta={"item":item}
    #     )
    # def parse_detail(self,response):
    #     item=response.meta["item"]
    #     item["price"] = "///"
    #     yield item

相关文章

网友评论

      本文标题:深度爬虫

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