Scrapy处理登录和Cookies

 

原先用的是selenium(后面有时间再写)，这是第一次使用scrapy这个爬虫框架，所以记录一下这个心路历程，制作简单的爬虫其实不难，你需要的一般数据都可以爬取到。

 

 下面是我的目录，除了main.py以外，都是代码自动生成的  :）。

各个目录作用：

1、sina是我自己创建的文件夹用来盛放整个项目的，随便起名字。

2、第一个sinaSpeder文件夹内，有一个scrapy.cfg配置文件和sinaSpeder的文件夹

• scrapy.cfg：配置文件，不需要更改
• sinaSpeder文件夹

3、第二个sinaSpeder文件夹

• init.py ：特定文件，指明二级first_spider目录为一个python模块
• item.py：定义需要的item类【实验中需要用到】
• pipelines.py：管道文件，传入item.py中的item类，清理数据，保存或入库
• settings.py：设置文件，例如设置用户代理和初始下载延迟
• spiders目录

4、spiders

• init.py ：特定文件，指明二级first_spider目录为一个python模块
• sina.py：盛放自定义爬虫的文件，负责获取html的数据和传入pipline管道中进行数据存放等

 

废话不多说，开练~~

第一步创建爬虫项目：

》scrapy startproject  sinaSpeder               （sinaSpeder是项目名）

（用命令创建主要是可以自动生成一个包含默认文件的目录）

第二步输入网址：

 

scrapy genspider sina "sina.com.cn"             （这个名字是spiders里面的名字，后面的链接是要爬取的链接）

注：这个命令会在根目录的同级目录创建sina.py文件(也就是和第一个sinaSpiders同文件夹)，需要把它剪切到最里面的spiders文件夹下，

 

第三步修改代码：参考自：

items.py写入：

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

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

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

class SinaspederItem(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()

View Code

sina.py写入：

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

import scrapy
import os
from sinaSpeder.items import SinaspederItem
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 = SinaspederItem()

                # 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 = SinaspederItem()
                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

View Code

pipelines.py写入：

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

from scrapy import signals
import sys
class SinaspederPipeline(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

 

setting.py写入：

# 设置管道文件

ITEM_PIPELINES = {
   'sinaSpeder.pipelines.SinaspederPipeline': 300,
}

main.py写入:

 

 

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

 

运行有两种方法：

1、这里创建了main。py文件，所以可以直接运行这个文件。

2、通过命令行

scrapy crawl sina    （这个是进入...>sina>sinaSpeder 文件夹后运行的）

 

 

第四步：

运行开始后，多出一个data文件夹，这就是要爬取的东西

 

 

注：问题总结

1、我最初是运行下面这个，发现报错，后来试试spiders中的sina.py文件，结果成功了

scrapy crawl sinaSpeder

2、如果你建立的工程名字和我的不一样，所有涉及项目名称的文件都要改过来，少一个都会报错。

3、爬虫运行有可能会被封ip使得无法再访问这个网站了！这就需要使用反爬虫技术，以后再讲。

4、错误    twisted.internet.error.DNSLookupError: DNS lookup failed: no results for hostname lookup: http.

　　原因代码中url出错（修改后就行了）