利用Scrapy抓取一带一路战略性支撑平台信息

本文首发于我的博客:http://gongyanli.com
代码传送门:https://github.com/Gladysgong/BeltandRoad
简书: https://www.jianshu.com/p/6fe4afa1b98a
CSDN: https://blog.csdn.net/u012052168/article/details/79761833

好久以前做的东西了,网站的数据也很容易拿到,最近想对自己的东西做一个总结,所以就有了这篇文章。 
我的目标是抓取一带一路战略支撑平台里面一些机构的数据,像联系电话、邮箱等等,简单看看网站的样子把。
首先获取列表项的所有url,其中包括一项翻页操作,拿到url后访问,获取里面的详细信息,就这么简单。
image

一、定义Items

`class BeltandRoadItem(scrapy.Item):
# collection = 'BeltandRoad'

name = scrapy.Field()  # 机构名称
intro = scrapy.Field()  # 机构简介
address = scrapy.Field()  # 机构地址
tel = scrapy.Field()  # 机构电话
fax = scrapy.Field()  # 机构传真
email = scrapy.Field()  # 机构邮箱
site = scrapy.Field()  # 机构网址`

二、爬虫模块

爬虫模块中包括翻页操作,并不复杂,就不详细说明。

`# -*- coding:utf-8 -*-
from scrapy.spiders import CrawlSpider, Rule
import scrapy
from ..items import BeltandRoadItem

# from scrapy.conf import settings

# 一带一路战略支撑平台
class BeltandRoadSpider(CrawlSpider):
    name = "BeltandRoadSpider"
    start_urls = ['http://ydyl.drcnet.com.cn/www/ydyl/channel.aspx?version=YDYL&uid=8011']

    # 解析url地址
    def parse(self, response):
        # urls = response.xpath('//div[@class="pub_right"]/ul/li/div[1]/a/@href').extract()
        urls = response.xpath('//ul[@id="ContentPlaceHolder1_WebPageDocumentsByUId1"]/li/div[1]/a/@href').extract()
        # institute_name = response.xpath('//ul[@class="left-nav"]/li/h3/a/text()').extract()

        for url in urls:
            # url = "http://ydyl.drcnet.com.cn/www/ydyl/" + url
            # print("1:", url)
            yield scrapy.Request(url=url, callback=self.parse_content)

        next_page = response.xpath(
            '//div[@id="ContentPlaceHolder1_WebPageDocumentsByUId1_PageRow"]/input[4]/@onclick').extract()
        next_page = str(next_page).split("\'")[1]
        print("next:", next_page)
        if next_page:
            next_page = "http://ydyl.drcnet.com.cn" + next_page
            yield scrapy.Request(url=next_page, callback=self.parse)

    # 解析内容
    def parse_content(self, response):
        item = BeltandRoadItem()
        name = response.xpath('//div[@id="disArea"]/strong/div/text()').extract()[0]  # 提取名称
        content = response.xpath('//div[@id="disArea"]/div[@id="docContent"]/p').xpath('string(.)').extract()  # 提取其他信息
        content = str(content).split('\'')
        item['name'] = name
        for i in range(len(content)):  # 过滤无效信息后,提取有用信息存储到item中
            if content[i] != '[' and content[i] != ']' and content[i] != ', ':
                print("xx:", content[i])
                if "简介" in content[i]:
                    item['intro'] = content[i]
                elif "地址" in content[i]:
                    item['address'] = content[i]
                elif "联系电话" in content[i]:
                    item['tel'] = content[i]
                elif "传真" in content[i]:
                    item['fax'] = content[i]
                elif "电子邮箱" in content[i]:
                    item['email'] = content[i]
                elif "网址" in content[i]:
                    item['site'] = content[i]
        yield item
`

三、构建pipelines

主要就是进行数据持久化操作,把数据存入MongoDB数据中。

`import pymongo
from scrapy.conf import settings
from .items import BeltandRoadItem

# 一带一路战略支撑平台
class BeltandRoadPipeline(object):
    def __init__(self, mongo_uri, mongo_db, mongo_port):
        self.mongo_uri = mongo_uri
        self.mongo_port = mongo_port
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(mongo_uri=crawler.settings.get('MONGO_URI'),
                   mongo_port=crawler.settings.get('MONGO_PORT'),
                   mongo_db=crawler.settings.get('MONGO_DB')
                   )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri, self.mongo_port)
        self.db = self.client[self.mongo_db]
        self.BeltandRoad = self.db['BeltandRoad']

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        if isinstance(item, BeltandRoadItem):
            try:
                if item['name']:
                    item = dict(item)
                    # self.db[item.collection].insert(item)  运行这个代码时利用items中collection创建表,会提示插入失败,但是依然会插入到数据库?
                    self.BeltandRoad.insert(item)
                    print("插入成功")
                    return item
            except Exception as e:
                spider.logger.exception("插入失败")`

四、配置文件settings

# 激活pipelines
ITEM_PIPELINES = {
   'BeltandRoad.pipelines.BeltandRoadPipeline': 300,}

# 数据库配置
MONGO_URI = "127.0.0.1"  # 主机IP
MONGO_PORT = 27017  # 端口号
MONGO_DB = "Belt"  # 数据库名字
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,332评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,508评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,812评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,607评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,728评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,919评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,071评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,802评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,256评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,576评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,712评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,389评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,032评论 3 316
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,798评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,026评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,473评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,606评论 2 350

推荐阅读更多精彩内容