爬虫系列（二十四）：新浪网分类资讯爬虫

爬取新浪网导航页所有下所有大类、小类、小类里的子链接，以及子链接页面的新闻内容。

效果演示图：

image.png

items.py

    import scrapy
    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")

    class SinaItem(scrapy.Item):
        # 大类的标题 和 url
        parentTitle = scrapy.Field()
        parentUrls = scrapy.Field()

        # 小类的标题 和 子url
        subTitle = scrapy.Field()
        subUrls = scrapy.Field()

        # 小类目录存储路径
        subFilename = scrapy.Field()

        # 小类下的子链接
        sonUrls = scrapy.Field()

        # 文章标题和内容
        head = scrapy.Field()
        content = scrapy.Field()

spiders/sina.py

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

    from Sina.items import SinaItem
    import scrapy
    import os

    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")


    class SinaSpider(scrapy.Spider):
        name= "sina"
        allowed_domains= ["sina.com.cn"]
        start_urls= [
           "http://news.sina.com.cn/guide/"
        ]

        def parse(self, response):
            items= []
            # 所有大类的url 和 标题
            parentUrls = response.xpath('//div[@id=\"tab01\"]/div/h3/a/@href').extract()
            parentTitle = response.xpath("//div[@id=\"tab01\"]/div/h3/a/text()").extract()

            # 所有小类的ur 和 标题
            subUrls  = response.xpath('//div[@id=\"tab01\"]/div/ul/li/a/@href').extract()
            subTitle = response.xpath('//div[@id=\"tab01\"]/div/ul/li/a/text()').extract()

            #爬取所有大类
            for i in range(0, len(parentTitle)):
                # 指定大类目录的路径和目录名
                parentFilename = "./Data/" + parentTitle[i]

                #如果目录不存在，则创建目录
                if(not os.path.exists(parentFilename)):
                    os.makedirs(parentFilename)

                # 爬取所有小类
                for j in range(0, len(subUrls)):
                    item = SinaItem()

                    # 保存大类的title和urls
                    item['parentTitle'] = parentTitle[i]
                    item['parentUrls'] = parentUrls[i]

                    # 检查小类的url是否以同类别大类url开头，如果是返回True (sports.sina.com.cn 和 sports.sina.com.cn/nba)
                    if_belong = subUrls[j].startswith(item['parentUrls'])

                    # 如果属于本大类，将存储目录放在本大类目录下
                    if(if_belong):
                        subFilename =parentFilename + '/'+ subTitle[j]
                        # 如果目录不存在，则创建目录
                        if(not os.path.exists(subFilename)):
                            os.makedirs(subFilename)

                        # 存储 小类url、title和filename字段数据
                        item['subUrls'] = subUrls[j]
                        item['subTitle'] =subTitle[j]
                        item['subFilename'] = subFilename

                        items.append(item)

            #发送每个小类url的Request请求，得到Response连同包含meta数据 一同交给回调函数 second_parse 方法处理
            for item in items:
                yield scrapy.Request( url = item['subUrls'], meta={'meta_1': item}, callback=self.second_parse)

        #对于返回的小类的url，再进行递归请求
        def second_parse(self, response):
            # 提取每次Response的meta数据
            meta_1= response.meta['meta_1']

            # 取出小类里所有子链接
            sonUrls = response.xpath('//a/@href').extract()

            items= []
            for i in range(0, len(sonUrls)):
                # 检查每个链接是否以大类url开头、以.shtml结尾，如果是返回True
                if_belong = sonUrls[i].endswith('.shtml') and sonUrls[i].startswith(meta_1['parentUrls'])

                # 如果属于本大类，获取字段值放在同一个item下便于传输
                if(if_belong):
                    item = SinaItem()
                    item['parentTitle'] =meta_1['parentTitle']
                    item['parentUrls'] =meta_1['parentUrls']
                    item['subUrls'] = meta_1['subUrls']
                    item['subTitle'] = meta_1['subTitle']
                    item['subFilename'] = meta_1['subFilename']
                    item['sonUrls'] = sonUrls[i]
                    items.append(item)

            #发送每个小类下子链接url的Request请求，得到Response后连同包含meta数据 一同交给回调函数 detail_parse 方法处理
            for item in items:
                    yield scrapy.Request(url=item['sonUrls'], meta={'meta_2':item}, callback = self.detail_parse)

        # 数据解析方法，获取文章标题和内容
        def detail_parse(self, response):
            item = response.meta['meta_2']
            content = ""
            head = response.xpath('//h1[@id=\"main_title\"]/text()')
            content_list = response.xpath('//div[@id=\"artibody\"]/p/text()').extract()

            # 将p标签里的文本内容合并到一起
            for content_one in content_list:
                content += content_one

            item['head']= head
            item['content']= content

            yield item

pipelines.py

    from scrapy import signals
    import sys
    reload(sys)
    sys.setdefaultencoding("utf-8")

    class SinaPipeline(object):
        def process_item(self, item, spider):
            sonUrls = item['sonUrls']

            # 文件名为子链接url中间部分，并将 / 替换为 _，保存为 .txt格式
            filename = sonUrls[7:-6].replace('/','_')
            filename += ".txt"

            fp = open(item['subFilename']+'/'+filename, 'w')
            fp.write(item['content'])
            fp.close()

            return item

settings.py

    BOT_NAME = 'Sina'

    SPIDER_MODULES = ['Sina.spiders']
    NEWSPIDER_MODULE = 'Sina.spiders'

    ITEM_PIPELINES = {
        'Sina.pipelines.SinaPipeline': 300,
    }

    LOG_LEVEL = 'DEBUG'

在项目根目录下新建main.py文件,用于调试

      from scrapy import cmdline
      cmdline.execute('scrapy crawl sina'.split())

执行程序

    py2 main.py