使用Scrapy框架爬取博客信息

news2024/11/8 9:07:37

随着网络的发展，越来越多有价值的信息存储在网络上。使用爬虫技术可以从这些信息源中提取出有用的数据。本文将介绍如何使用Python中的Scrapy框架来爬取博客站点上的文章标题、作者以及阅读数，并将其保存到JSON文件中。

一、项目背景

Scrapy是一个快速高级的web爬虫框架，用于抓取网站数据，提取结构化数据。它可以处理大量的网站，提供了灵活的API来适应各种需求。本文将使用Scrapy来爬取来自Cnblogs的技术博客信息。

二、环境搭建

在开始编写爬虫之前，需要确保安装了Python环境，并且安装了Scrapy库。可以通过如下命令安装Scrapy：

pip install scrapy

创建一个新的Scrapy项目：

scrapy startproject DemoProject
cd DemoProject

在项目的spiders目录下创建一个爬虫：

scrapy genspider bkySpider cnblogs.com

三、定义Item类

首先，我们需要定义一个数据模型来存储爬取的数据。在DemoProject/DemoProject/items.py中定义如下类：

class BkyItem(scrapy.Item):
    title = scrapy.Field()
    author = scrapy.Field()
    readNum = scrapy.Field()

这里定义了三个字段：title、author 和 readNum，分别用于存储文章标题、作者名称和阅读数量。

四、编写爬虫逻辑

接下来，在DemoProject/spiders/bkySpider.py中编写爬虫逻辑：

import scrapy
from DemoProject.items import BkyItem

class BkyspiderSpider(scrapy.Spider):
    name = "bkySpider"
    allowed_domains = ["cnblogs.com"]
    start_urls = ["https://cnblogs.com"]

    def parse(self, response):
        # 创建item对象
        item = BkyItem()
        # 使用 XPath 选择器获取所有文章元素
        article = response.xpath("//article[@class='post-item']")

        item["title"] = article.xpath(
            ".//section[@class='post-item-body']//div[@class='post-item-text']//a[@class='post-item-title']/text()"
        ).extract()
        item["author"] = article.xpath(
            ".//footer[@class='post-item-foot']//a[@class='post-item-author']//span/text()"
        ).extract()
        item["readNum"] = article.xpath(
            ".//footer[@class='post-item-foot']//a[contains(@title,'阅读')]//span/text()"
        ).extract()
        return item

这里定义了一个名为bkySpider的爬虫类，指定了起始URL，并在parse方法中解析了页面内容，提取了所需的字段。

五、实现Pipeline处理

为了处理爬取到的数据，我们还需要定义一个Pipeline。在DemoProject/DemoProject/pipelines.py中添加如下代码：

import json

class DemoProjectPipeline(object):
    def __init__(self):
        # 打开edu.json文件
        self.file = open("D:\\PyCharmProject\\pP1\\work2.json", "w", encoding='utf-8')

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

    def process_item(self, item, spider):
        print("Processing an item in the pipeline...")
        # 通过for循环以此处理每条博文数据,从item对象中读取
        # 构建json格式
        self.file.write('[')
        # 开始for循环写入
        for index in range(0, len(item['title'])):
            # 逐层提取，赋值
            title = item['title'][index]
            # 注意：原始代码中缺少对href的处理，这里假设href存在
            href = item['href'][index]
            # 重构生成一条json记录，json的标准格式
            record = {"title": title, "href": href}
            # 写入到json文件里
            line = json.dumps(dict(record), ensure_ascii=False)
            self.file.write(line)
            # 如果不是最后一行，要加入逗号换行符
            if index != len(item["title"]) - 1:
                self.file.write(',\n')
        self.file.write(']')
        return item

注意：原始代码中并没有href字段的提取，此处假设它存在于item中，否则需要删除或调整。