热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

scrapysplash抓取动态数据例子十二

一、介绍本例子用scrapy-splash通过搜狗搜索引擎,输入给定关键字抓取资讯信息。给定关键字:数字;融合;电视抓取信息

  一、介绍

    本例子用scrapy-splash通过搜狗搜索引擎,输入给定关键字抓取资讯信息。

    给定关键字:数字;融合;电视

    抓取信息内如下:

      1、资讯标题

      2、资讯链接

      3、资讯时间

      4、资讯来源

 

  二、网站信息

    

     

 

 

 

      

 

 

      

 

 

 

  三、数据抓取

    针对上面的网站信息,来进行抓取

    1、首先抓取信息列表

      抓取代码:sels = site.xpath('//div[@class="vrwrap"]')

    2、抓取标题

      抓取代码:titles = sel.xpath('.//h3[@class="vrTitle"]/a/text()|.//h3[@class="vrTitle"]/a/em/text()')

    3、抓取链接

      抓取代码:it['url'] = sel.xpath('.//h3[@class="vrTitle"]/a/@href')[0].extract()

    4、抓取日期

      抓取代码:strdate = sel.xpath('.//p[@class="news-from"]/text()')

    5、抓取来源

      抓取代码:sources = sel.xpath('.//p[@class="news-from"]/text()')

  

   

  四、完整代码

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from scrapy.spiders import Spider
from scrapy_splash import SplashRequest
from scrapy_splash import SplashMiddleware
from scrapy.http import Request, HtmlResponse
from scrapy.selector import Selector
from scrapy_splash import SplashRequest
from scrapy_ott.items import SplashTestItem
from scrapy_ott.mongoDB import mongoDbBase
import scrapy_ott.IniFile
import sys
import os
import re
import timereload(sys)
sys.setdefaultencoding(
&#39;utf-8&#39;)# sys.stdout &#61; open(&#39;output.txt&#39;, &#39;w&#39;)class sougouSpider(Spider):name &#61; &#39;sougou&#39;db &#61; mongoDbBase()configfile &#61; os.path.join(os.getcwd(), &#39;scrapy_ott\setting.conf&#39;)cf &#61; scrapy_ott.IniFile.ConfigFile(configfile)information_keywords &#61; cf.GetValue("section", "information_keywords")information_wordlist &#61; information_keywords.split(&#39;;&#39;)# websearchurl &#61; cf.GetValue("sougou", "websearchurl")start_urls &#61; []for word in information_wordlist:start_urls.append(&#39;http://news.sogou.com/news?page&#61;1&query&#61;&#39; &#43; word)start_urls.append(&#39;http://news.sogou.com/news?page&#61;2&query&#61;&#39; &#43; word)start_urls.append(&#39;http://news.sogou.com/news?page&#61;3&query&#61;&#39; &#43; word)# request需要封装成SplashRequestdef start_requests(self):for url in self.start_urls:index &#61; url.rfind(&#39;&#61;&#39;)yield SplashRequest(url, self.parse, args&#61;{&#39;wait&#39;: &#39;2&#39;},meta&#61;{&#39;keyword&#39;: url[index &#43; 1:]})def Comapre_to_days(self,leftdate, rightdate):&#39;&#39;&#39;比较连个字符串日期&#xff0c;左边日期大于右边日期多少天:param leftdate: 格式&#xff1a;2017-04-15:param rightdate: 格式&#xff1a;2017-04-15:return: 天数&#39;&#39;&#39;l_time &#61; time.mktime(time.strptime(leftdate, &#39;%Y-%m-%d&#39;))r_time &#61; time.mktime(time.strptime(rightdate, &#39;%Y-%m-%d&#39;))result &#61; int(l_time - r_time) / 86400return resultdef date_isValid(self, strDateText):&#39;&#39;&#39;判断日期时间字符串是否合法&#xff1a;如果给定时间大于当前时间是合法&#xff0c;或者说当前时间给定的范围内:param strDateText: 四种格式 &#39;慧聪网 7小时前&#39;; &#39;新浪游戏 29分钟前&#39; ; &#39;中国行业研究网 2017-6-13&#39;:return: True:合法&#xff1b;False:不合法&#39;&#39;&#39;currentDate &#61; time.strftime(&#39;%Y-%m-%d&#39;)source &#61; strDateText.split(&#39; &#39;)[0]if strDateText.find(&#39;分钟前&#39;) > 0 :return True,source,currentDateelif strDateText.find(&#39;小时前&#39;) > 0:datePattern &#61; re.compile(r&#39;\d{1,2}&#39;)ch &#61; int(time.strftime(&#39;%H&#39;)) # 当前小时数strDate &#61; re.findall(datePattern, strDateText)if len(strDate) &#61;&#61; 1:if int(strDate[0]) <&#61; ch: # 只有小于当前小时数&#xff0c;才认为是今天return True,source,currentDateelse:datePattern &#61; re.compile(r&#39;\d{4}-\d{1,2}-\d{1,2}&#39;)strDate &#61; re.findall(datePattern, strDateText)if len(strDate) &#61;&#61; 1:if self.Comapre_to_days(currentDate, strDate[0]) &#61;&#61; 0:return True,source,currentDatereturn False, &#39;&#39;,&#39;&#39;def parse(self, response):keyword &#61; response.meta[&#39;keyword&#39;]site &#61; Selector(response)sels &#61; site.xpath(&#39;//div[&#64;class&#61;"vrwrap"]&#39;)item_list &#61; []for sel in sels:strdate &#61; sel.xpath(&#39;.//p[&#64;class&#61;"news-from"]/text()&#39;)if len(strdate)>0:flag, source, date &#61; self.date_isValid(strdate[0].extract())if flag:titles &#61; sel.xpath(&#39;.//h3[&#64;class&#61;"vrTitle"]/a/text()|.//h3[&#64;class&#61;"vrTitle"]/a/em/text()&#39;)title &#61; &#39;&#39;for t in titles:title &#43;&#61; str(t.extract())if title.find(keyword) > -1:it &#61; SplashTestItem()it[&#39;source&#39;] &#61; sourceit[&#39;url&#39;] &#61; sel.xpath(&#39;.//h3[&#64;class&#61;"vrTitle"]/a/&#64;href&#39;)[0].extract()it[&#39;date&#39;] &#61; dateit[&#39;keyword&#39;] &#61; keywordit[&#39;title&#39;] &#61; titleitem_list.append(it)if len(item_list)>0:self.db.SaveInformations(item_list)return item_list

 



推荐阅读
  • Allegro总结:1.防焊层(SolderMask):又称绿油层,PCB非布线层,用于制成丝网印板,将不需要焊接的地方涂上防焊剂.在防焊层上预留的焊盘大小要比实际的焊盘大一些,其差值一般 ... [详细]
  • Imtryingtofigureoutawaytogeneratetorrentfilesfromabucket,usingtheAWSSDKforGo.我正 ... [详细]
  • 生成式对抗网络模型综述摘要生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型,可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络 ... [详细]
  • 这是原文链接:sendingformdata许多情况下,我们使用表单发送数据到服务器。服务器处理数据并返回响应给用户。这看起来很简单,但是 ... [详细]
  • sklearn数据集库中的常用数据集类型介绍
    本文介绍了sklearn数据集库中常用的数据集类型,包括玩具数据集和样本生成器。其中详细介绍了波士顿房价数据集,包含了波士顿506处房屋的13种不同特征以及房屋价格,适用于回归任务。 ... [详细]
  • MyBatis多表查询与动态SQL使用
    本文介绍了MyBatis多表查询与动态SQL的使用方法,包括一对一查询和一对多查询。同时还介绍了动态SQL的使用,包括if标签、trim标签、where标签、set标签和foreach标签的用法。文章还提供了相关的配置信息和示例代码。 ... [详细]
  • 模板引擎StringTemplate的使用方法和特点
    本文介绍了模板引擎StringTemplate的使用方法和特点,包括强制Model和View的分离、Lazy-Evaluation、Recursive enable等。同时,还介绍了StringTemplate语法中的属性和普通字符的使用方法,并提供了向模板填充属性的示例代码。 ... [详细]
  • 超级简单加解密工具的方案和功能
    本文介绍了一个超级简单的加解密工具的方案和功能。该工具可以读取文件头,并根据特定长度进行加密,加密后将加密部分写入源文件。同时,该工具也支持解密操作。加密和解密过程是可逆的。本文还提到了一些相关的功能和使用方法,并给出了Python代码示例。 ... [详细]
  • java drools5_Java Drools5.1 规则流基础【示例】(中)
    五、规则文件及规则流EduInfoRule.drl:packagemyrules;importsample.Employ;ruleBachelorruleflow-group ... [详细]
  • Servlet多用户登录时HttpSession会话信息覆盖问题的解决方案
    本文讨论了在Servlet多用户登录时可能出现的HttpSession会话信息覆盖问题,并提供了解决方案。通过分析JSESSIONID的作用机制和编码方式,我们可以得出每个HttpSession对象都是通过客户端发送的唯一JSESSIONID来识别的,因此无需担心会话信息被覆盖的问题。需要注意的是,本文讨论的是多个客户端级别上的多用户登录,而非同一个浏览器级别上的多用户登录。 ... [详细]
  • 本文介绍了Java后台Jsonp处理方法及其应用场景。首先解释了Jsonp是一个非官方的协议,它允许在服务器端通过Script tags返回至客户端,并通过javascript callback的形式实现跨域访问。然后介绍了JSON系统开发方法,它是一种面向数据结构的分析和设计方法,以活动为中心,将一连串的活动顺序组合成一个完整的工作进程。接着给出了一个客户端示例代码,使用了jQuery的ajax方法请求一个Jsonp数据。 ... [详细]
  • Opencv提供了几种分类器,例程里通过字符识别来进行说明的1、支持向量机(SVM):给定训练样本,支持向量机建立一个超平面作为决策平面,使得正例和反例之间的隔离边缘被最大化。函数原型:训练原型cv ... [详细]
  • centos php部署到nginx 404_NodeJS项目部署到阿里云ECS服务器全程详解
    本文转载自:http:www.kovli.com20170919ecs-deploy作者:Kovli本文详细介绍如何部署NodeJS项目到阿里云ECS上, ... [详细]
  • step1.为mongodb添加admin管理员root@12.154.29.163:~#mongoMongoDBshellversionv3.4.2connectingto:mo ... [详细]
  • 一、前言在数据库中,慢查询日志通常是用来进行优化数据库,MySQL中存在慢查询,Mongodb中也是如此。在Mongo中的慢查询属于Mon ... [详细]
author-avatar
残血死少爷y_905
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有