【Python学习】No.2 利用Scrapy框架爬取专题作业【求助帖】

专题文章日益增多,想通过首页的abstract来大体了解文章内容,存储文章链接,从而有目的的阅读,提升效率。
利用Scrapy爬取专题作业,将爬取的数据存入Mongodb。

1. 确定爬取信息:

文章题目+简介+作者+时间+字数+(阅读次数+评论数量+喜欢人数)--PS:后三个用re或者Xpath都没有成功抓取,爬取到的数据都为空,目前还没找到原因。。。

image.png

image.png

item.py文件:

import scrapy

class CrazydataanalyzeItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    article_url = scrapy.Field()
    title = scrapy.Field()
    abstract = scrapy.Field()
    nickname = scrapy.Field()
    publish_time = scrapy.Field()
    wordage = scrapy.Field()
    views_count = scrapy.Field()
    comments_count = scrapy.Field()
    likes_count = scrapy.Field()
    pass

2. 编辑爬虫程序

确定title/abstract/nickname以及子网页的url:base_url+href

image.png

爬取发表日期以及字数
PS:wordage与views-count/comments-count/likes-count同样的结构,为什么可以爬取字数,但阅读数/评论数/喜欢数都爬取不到呢???

CrazyData.py

from scrapy.spiders import CrawlSpider  # spiders 加s
from scrapy.selector import Selector
from CrazyDataAnalyze.items import CrazydataanalyzeItem
from scrapy.http import Request
import re
import requests

class CrazyData(CrawlSpider):
    name = 'CrazyData'
    start_urls = ['https://www.jianshu.com/c/af12635a5aa3?order_by=added_at&page=1']

    def parse(self, response):
        base_url = 'https://www.jianshu.com'
        selector = Selector(response)
        infos = selector.xpath('//ul[@class="note-list"]/li')
        for info in infos:
            #print(info.xpath('div/a/@href'))
            #print(info.xpath('div/a/@href').extract())
            #print(info.xpath('div/a/@href').extract()[0])
            #print(info.xpath('div/a/@href')[0].extract())
            #print(info.xpath('div/a/@href')[0].extract()[0])
            article_url = base_url + info.xpath('div/a/@href').extract()[0]
            title = info.xpath('div/a/text()').extract()[0]
            abstract = info.xpath('div/p/text()').extract()[0]
            nickname = info.xpath('div/div/a/text()').extract()[0]
            yield Request(article_url,meta={'article_url':article_url,'title':title,'abstract':abstract,'nickname':nickname},callback=self.parse_item)
        urls = ['https://www.jianshu.com/c/af12635a5aa3?order_by=added_at&page={}'.format(str(i)) for i in range(2,20)]
        for url in urls:
            yield Request(url,callback=self.parse)


    def parse_item(self,response):
        item = CrazydataanalyzeItem()
        item['article_url'] = response.meta['article_url']
        item['title'] = response.meta['title']
        item['abstract'] = response.meta['abstract']
        item['nickname'] = response.meta['nickname']

        try:
            #url1 = response.meta['article_url']
            '''headers = {
                'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
            }'''
            #html = requests.get(item['article_url'], headers=headers)
            selector = Selector(response)
            publish_time = selector.xpath('//div[@class="meta"]/span[1]/text()').extract()[0]
            wordage = selector.xpath('//div[@class="meta"]/span[2]/text()').extract()[0]
            #views_count = re.findall('<span class="views-count">(.*?)</span>',html.text,re.S)
            #comments_count = re.findall('"comments-count">(.*?)</span>',html.text,re.S)
            #likes_count = re.findall('"likes-count">(.*?)</span>',html.text,re.S)
            views_count = selector.xpath('//div[@class="meta"]/span[3]/text()').extract()
            comments_count = selector.xpath('//div[@class="meta"]/span[4]/text()').extract()
            likes_count = selector.xpath('//div[@class="meta"]/span[5]/text()').extract()
            item['publish_time'] = publish_time
            item['wordage'] = wordage
            item['views_count'] = views_count
            item['comments_count'] = comments_count
            item['likes_count'] = likes_count
            yield item
        except IndexError:
            pass

3.存入MongoDB数据库(Just为了练习下数据存储)

pipelines.py

import pymongo

class CrazydataanalyzePipeline(object):
    def __init__(self):
        client = pymongo.MongoClient('localhost',27017)
        test = client['test']
        CrazyData = test['CrazyData']
        self.post = CrazyData
    def process_item(self, item, spider):
        info = dict(item)
        self.post.insert(info)
        return item

4.setting设置

settings.py

BOT_NAME = 'CrazyDataAnalyze'
SPIDER_MODULES = ['CrazyDataAnalyze.spiders']
NEWSPIDER_MODULE = 'CrazyDataAnalyze.spiders'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 3
ITEM_PIPELINES = {
    'CrazyDataAnalyze.pipelines.CrazydataanalyzePipeline': 300,
}

5.MAIN文件

main.py

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

6.MongoDB

可以通过命令行导出CSV文件

mongoexport -d test -c CrazyData --type=csv -f article_url,title,abstract,nickname,publish_time,wordage -o crazydata.csv

并通过EXCEL中=HYPERLINK()函数,直接将url转换为超链接~


image.png

这样就可以通过简介大体了解文章内容了,也希望各位小伙伴多多采用开门见山的方法,加油加油~元旦即将来临!

©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 220,976评论 6 513
  • 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 94,249评论 3 396
  • 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 167,449评论 0 360
  • 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 59,433评论 1 296
  • 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 68,460评论 6 397
  • 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 52,132评论 1 308
  • 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 40,721评论 3 420
  • 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 39,641评论 0 276
  • 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 46,180评论 1 319
  • 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 38,267评论 3 339
  • 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 40,408评论 1 352
  • 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 36,076评论 5 347
  • 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 41,767评论 3 332
  • 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 32,255评论 0 23
  • 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 33,386评论 1 271
  • 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 48,764评论 3 375
  • 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 45,413评论 2 358

推荐阅读更多精彩内容