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