一、介绍

　　　　本例子用scrapy-splash抓取36氪网站给定关键字抓取咨询信息。

　　　　给定关键字：个性化；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('//li[@class="item"]')

　　　　2、抓取标题

　　　　　　首先列表页面，根据标题和日期来判断是否自己需要的资讯，如果是，就今日到资讯对应的链接，来抓取来源，如果不是，就不用抓取了

　　　　　　抓取代码：titles = site.xpath('//div[@class="mobile_article"]/h1/text()')

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://36kr.com' + str(sel.xpath('.//a/@href')[0].extract())

　　　　4、抓取日期

　　　　　　抓取代码：dates = sel.xpath('.//div[@class="info"]/span[2]/@title')

　　　　5、抓取来源

　　　　　　抓取代码：sources = site.xpath('//div[@class="author am-fl"]/span[2]/abbr/text()')

 　　

　　四、完整代码

# -*- coding: utf-8 -*-import scrapyfrom scrapy import Requestfrom scrapy.spiders import Spiderfrom scrapy_splash import SplashRequestfrom scrapy_splash import SplashMiddlewarefrom scrapy.http import Request, HtmlResponsefrom scrapy.selector import Selectorfrom scrapy_splash import SplashRequestfrom splash_test.items import SplashTestItemimport IniFileimport sysimport osimport reimport timereload(sys)sys.setdefaultencoding('utf-8')# sys.stdout = open('output.txt', 'w')class kr36Spider(Spider):    name = 'kr36'    configfile = os.path.join(os.getcwd(), 'splash_test\spiders\setting.conf')    cf = IniFile.ConfigFile(configfile)    information_keywords = cf.GetValue("section", "information_keywords")    information_wordlist = information_keywords.split(';')    websearchurl = cf.GetValue("kr36", "websearchurl")    start_urls = []    for word in information_wordlist:        print websearchurl + word        start_urls.append(websearchurl + word)    # request需要封装成SplashRequest    def start_requests(self):        for url in self.start_urls:            index = url.rfind('/')            yield SplashRequest(url                                , self.parse                                , args={
   'wait': '2'},                                meta={
   'keyword': url[index + 1:]}                                )    def Comapre_to_days(self,leftdate, rightdate):        '''        比较连个字符串日期，左边日期大于右边日期多少天        :param leftdate: 格式：2017-04-15        :param rightdate: 格式：2017-04-15        :return: 天数        '''        l_time = time.mktime(time.strptime(leftdate, '%Y-%m-%d'))        r_time = time.mktime(time.strptime(rightdate, '%Y-%m-%d'))        result = int(l_time - r_time) / 86400        return result    def date_isValid(self, strDateText):        currentDate = time.strftime('%Y-%m-%d')        datePattern = re.compile(r'\d{4}-\d{1,2}-\d{1,2}')        strDate = re.findall(datePattern, strDateText)        if len(strDate) == 1:            if self.Comapre_to_days(currentDate, strDate[0]) == 0:                return True, currentDate        return False, ''    def parse(self, response):        site = Selector(response)        sels = site.xpath('//li[@class="item"]')        for sel in sels:            dates = sel.xpath('.//div[@class="info"]/span[2]/@title')            flag,date =self.date_isValid(dates[0].extract())            titles = sel.xpath('.//div[@class="intro"]/h3/div/em')#如果没有em标签，说明标题中没有搜索的关键字，这样直接就过滤掉了            if  flag and len(titles)>0 :                url = 'http://36kr.com' + str(sel.xpath('.//a/@href')[0].extract())                yield SplashRequest(url                                , self.parse_item                                , args={
   'wait': '1'},                                meta={
   'date': date, 'url': url,                                      'keyword': response.meta['keyword']}                                )    def parse_item(self, response):        site = Selector(response)        titles = site.xpath('//div[@class="mobile_article"]/h1/text()')        if len(titles) > 0:            it = SplashTestItem()            keyword = response.meta['keyword']            title = titles[0].extract()            it['title'] = title            it['url'] = response.meta['url']            it['date'] = response.meta['date']            it['keyword'] = response.meta['keyword']            sources = site.xpath('//div[@class="author am-fl"]/span[2]/abbr/text()')            if len(sources) > 0:                it['source'] = sources[0].extract()            return it