scrapy抓取博客

news2025/1/6 14:40:17

scrapy主要的步骤：

创建一个scrapy项目
获取博客内容和保存
抓去url和title
储存标题和链接
获取文章内容

一.创建一个scrapy：

在桌面上会生成一个文件夹：

在开始爬虫前，打开items.py:

class BlogspiderTtem(scrapy.Item):
    title=scrapy.Field()
    link=scrapy.Field()
    concent=scrapy.Field()

二.获取博客网页并保存：

1. 在blogSpider/spider创建一个eqwaak.py的文件，并制定爬取的范围：

import scrapy

class EqwaakSpider(scrapy.Spider):
    name = 'eqwaak'
    allowed_domains=['链接']
    start_urls=['链接']
    
    
    def parse(self, response):
        pass

创建爬虫器，必须要继承scarpy.Spider类：

name：爬虫名字的唯一名字
allow_domains=[]：爬取域名下这个网页
start_urls：爬虫会在启动爬取url列表
parse（）：爬虫的一个方法，获取爬虫的response，解析网页

2.修改parse的内容：

    def parse(self, response):
        print(response.text)
        filename="index.html"
        with open(filename,'w',encoding='utf-8')as f:
            f.write(response.text)

然后在cmd里面执行：

scrapy crwal 爬虫名字

三.提取博客标题和链接数据

修改eqwaak.py的代码：

import scrapy
from bs4 import BeautifulSoup

class EqwaakSpider(scrapy.Spider):
    name = 'eqwaak'
    allowed_domains=['']
    start_urls=['']


    def parse(self, response):
       soup=BeautifulSoup(response.text,"lxml")
       title_list=soup.find("h4",class_="blog-img-box-top").a.text.strip()
       print('文章标题:',title_list)
       
       for i in range(len(title_list)):
           title=title_list[i].a.text.strip()
           print('第%s篇文章标题是%s'%(i+1,title))

里面把提取的数据放入里面：

import scrapy
from bs4 import BeautifulSoup
from financeSpider.items import BlogspiderTtem

class EqwaakSpider(scrapy.Spider):
    name = 'eqwaak'
    allowed_domains=['链接']
    start_urls=['链接']


    def parse(self, response):
       items=[]
       soup=BeautifulSoup(response.text,"lxml")
       title_list=soup.find("h4",class_="blog-img-box-top")
       print('文章标题:',title_list)

       for i in range(len(title_list)):
           item=BlogspiderTtem()
           title=title_list[i].a.text.strip()
           link=title_list[i].a["herf"]
           
           item["title"]=title
           item["link"]=link
           items.append(item)
           
        return items

如果输出是josn格式，可以写：

scrapy crwal eqwaak -o article.json

如果输出是csv格式，可以写：

scrapy crwal eqwaak -o artticle.vsc

四.储存博客标题和链接：

打开pipelines.py，代码：

class FinancespiderPipeline(object):
    #保存地址
    file_path="C:/Users/xuyix/Desktop/financeSpider/result.txt"

    def __init__(self):
        self.article=open(self.file_path,"a+",encoding="utf-8")

    def process_item(self, item, spider):
        title=item["title"]
        link=item["link"]
        content=item["content"]
        output=title+'\t'+link+'\t'+content+'\n\n'
        self.article.write(output)
        return item

还需要修改setting里面的代码

取消注释
ITEM_PIPELINES = {
   "financeSpider.pipelines.FinancespiderPipeline": 300,
}

在命令行输入：

scrapy crwal eqwaak

五.获取文章内容：

在eqwaak.py里面添加代码：

    def parse2(self,response):
        item=response.meta['item']
        #解析文章内容
        soup=BeautifulSoup(response.text,"lxml")
        content=soup.find("div",class_="blog-img-box-top").text.strip()
        content=content.replace("\n","")
        item["content"]=content
        yield item