交作业 爬简书首页

好久没写爬虫了,有些生疏了,虽然之前也只是会简单的爬,先记录一下。用的是Scrapy框架。
首先 scrapy startproject jianshu
第一步,编容器 items.py

import scrapy

class JianshuItem(scrapy.Item):

    title = scrapy.Field()
    author = scrapy.Field()
    post_time = scrapy.Field()
    read = scrapy.Field()
    comment = scrapy.Field()
    like = scrapy.Field()
    reward = scrapy.Field()
    subject = scrapy.Field()

第二步,程序的核心 jianshu_spider.py

from scrapy.spiders import Spider
from scrapy.selector import Selector

from ..items import JianshuItem


class JianshuSpider(Spider):
    name = "jianshu_spider"

    allowed_domains = []

    start_urls = ['http://www.jianshu.com/']

    def parse(self, response):
        sel = Selector(response)

        title = sel.xpath("//div[@class='content']/a[@class='title']/text()").extract()
        author = sel.xpath("//div[@class='author']/div[@class='name']/a/text()").extract()
        post_time = sel.xpath("//div[@class='content']/div[@class='name']/span[@class='time']/@data-shared-at").extract()
        read = sel.xpath("//div[@class='content']/div[@class='meta']/a[2]/text()").extract()
        comment = sel.xpath("//div[@class='content']/div[@class='meta']/a[3]/text()").extract()
        like = sel.xpath("//div[@class='content']/div[@class='meta']/span[1]/text()").extract()
        reward = sel.xpath("//div[@class='content']/div[@class='meta']/span[2]/text()").extract()
        subject = sel.xpath("//div[@class='content']/div[@class='meta']/a[@class='collection-tag']/text()").extract()

        item = JianshuItem()

        item['title'] = [i for i in title]
        item['author'] = [i for i in author]
        item['post_time'] = [i for i in post_time]
        item['read'] = [i for i in read]
        item['comment'] = [i for i in comment]
        item['like'] = [i for i in like]
        item['reward'] = [i for i in reward]
        item['subject'] = [i for i in subject]

        yield item

第三步,交给pipelines.py处理

import json
import codecs


class JianshuPipeline(object):

    def __init__(self):
        self.file = codecs.open('jianshu.json', mode='wb', encoding='utf-8')

    def process_item(self, item, spider):
        line = 'List:' + '\n'

        for i in range(len(item['title'])):
            title = {'title': item['title'][i]}
            author = {'author': item['author'][i]}
            post_time = {'post_time': item['post_time'][i]}
            read = {'read': item['read'][i]}
            comment = {'comment': item['comment'][i]}
            like = {'like': item['like'][i]}
            reward = {'reward': item['reward'][i]}
            subject = {'subject': item['subject'][i]}
            line = line + json.dumps(title, ensure_ascii=False)
            line = line + json.dumps(author, ensure_ascii=False)
            line = line + json.dumps(post_time, ensure_ascii=False)
            line = line + json.dumps(read, ensure_ascii=False)
            line = line + json.dumps(comment, ensure_ascii=False)
            line = line + json.dumps(like, ensure_ascii=False)
            line = line + json.dumps(reward, ensure_ascii=False)
            line = line + json.dumps(subject, ensure_ascii=False) + '\n'

        self.file.write(line)

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

当然,不要忘了配置settings.py

BOT_NAME = 'jianshu'

SPIDER_MODULES = ['jianshu.spiders']
NEWSPIDER_MODULE = 'jianshu.spiders'
ITEM_PIPELINES = {
    'jianshu.pipelines.JianshuPipeline': 300,
}

USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64)' \
             'AppleWebKit/537.36 (KHTML, like Gecko)' \
             'Chrome/58.0.3029.96 Safari/537.36'

ROBOTSTXT_OBEY = True

目前程序由一些小bug,不知道该怎么改,先交作业。
主要是由于爬到的数据不能一一对应导致报错。

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 212,542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 90,596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 158,021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 56,682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 65,792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 49,985评论 1 291
  • 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 39,107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 37,845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 44,299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 36,612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 38,747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 34,441评论 4 333
  • 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 40,072评论 3 317
  • 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 30,828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 32,069评论 1 267
  • 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 46,545评论 2 362
  • 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 43,658评论 2 350

推荐阅读更多精彩内容