一、介绍

　　　　本例子用scrapy-splash抓取今日头条网站给定关键字抓取咨询信息。

　　　　给定关键字：打通；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="articleCard"]')

　　　　2、抓取标题

　　　　　　由于在抓取标题的时候，在列表页不太好抓取，所以就绕了一下直接每条资讯的链接页面来抓取标题

　　　　　　抓取代码：titles = sel.xpath('.//div[@class="doc-title"]/text()')

　　　　3、抓取链接

　　　　　　抓取代码：url = 'http://www.toutiao.com' + str(sel.xpath('.//a[@class="link title"]/@href')[0].extract())

　　　　4、抓取日期

　　　　　　抓取代码：dates = sel.xpath('.//span[@class="lbtn"]/text()')

　　　　5、抓取来源

　　　　　　抓取代码：source=str(sel.xpath('.//a[@class="lbtn source J_source"]/text()')[0].extract())

 　　

　　四、完整代码

　　　　1、toutiaoSpider

# -*- 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 toutiaoSpider(Spider):    name = 'toutiao'    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("toutiao", "websearchurl")    start_urls = []    for word in information_wordlist:        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 date_isValid(self, strDateText):        '''        判断日期时间字符串是否合法：如果给定时间大于当前时间是合法，或者说当前时间给定的范围内        :param strDateText: 四种格式 '2小时前'; '2天前' ; '昨天' ;'2017.2.12 '        :return: True:合法；False:不合法        '''        currentDate = time.strftime('%Y-%m-%d')        if strDateText.find('分钟前') > 0 or strDateText.find('刚刚') > -1:            return True, currentDate        elif strDateText.find('小时前') > 0:            datePattern = re.compile(r'\d{1,2}')            ch = int(time.strftime('%H'))  # 当前小时数            strDate = re.findall(datePattern, strDateText)            if len(strDate) == 1:                if int(strDate[0]) <= ch:  # 只有小于当前小时数，才认为是今天                    return True, currentDate        return False, ''    def parse(self, response):        site = Selector(response)        # it_list = []        keyword = response.meta['keyword']        sels = site.xpath('//div[@class="articleCard"]')        for sel in sels:            dates = sel.xpath('.//span[@class="lbtn"]/text()')            if len(dates) > 0:                flag, date = self.date_isValid(dates[0].extract())                if flag:                    url = 'http://www.toutiao.com' + str(sel.xpath('.//a[@class="link title"]/@href')[0].extract())                    source=str(sel.xpath('.//a[@class="lbtn source J_source"]/text()')[0].extract())                    yield SplashRequest(url                                        , self.parse_item                                        , args={
   'wait': '1'},                                        meta={
   'date': date, 'url': url,                                              'keyword': keyword, 'source': source}                                        )    def parse_item(self, response):        site = Selector(response)        it = SplashTestItem()        titles = site.xpath('//h1[@class="article-title"]/text()')        count = 0        if len(titles) > 0:            keyword = response.meta['keyword']            strtiltle = str(titles[0].extract())            if strtiltle.find(keyword) > -1:                it['title'] = strtiltle                it['url'] = response.meta['url']                it['date'] = response.meta['date']                it['keyword'] = keyword                it['source'] = response.meta['source']                return it

　　　　2、SplashTestItem

# -*- coding: utf-8 -*-# Define here the models for your scraped items## See documentation in:# http://doc.scrapy.org/en/latest/topics/items.htmlimport scrapyclass SplashTestItem(scrapy.Item):    #标题    title = scrapy.Field()    #日期    date = scrapy.Field()    #链接    url = scrapy.Field()    #关键字    keyword  = scrapy.Field()    #来源网站    source =  scrapy.Field()

　　　　3、SplashTestPipeline

# -*- coding: utf-8 -*-# Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.htmlimport codecsimport jsonclass SplashTestPipeline(object):    def __init__(self):        # self.file = open('data.json', 'wb')        self.file = codecs.open(            'spider.txt', 'w', encoding='utf-8')        # self.file = codecs.open(        #     'spider.json', 'w', encoding='utf-8')    def process_item(self, item, spider):        line = json.dumps(dict(item), ensure_ascii=False) + "\n"        self.file.write(line)        return item    def spider_closed(self, spider):        self.file.close()

　　　　4、setting.conf

iedriverserver = C:\Program Files\Internet Explorer\IEDriverServer.exemeeting_keywords = 互联网电视;智能电视;数字;影音;家庭娱乐;节目;视听;版权;数据information_keywords = 电视;数字电视;OTT;节目内容;盒子;智能推荐;个性化;视频;影音;跨屏;融合;打通;多平台#information_keywords = 电视;OTTinvalid_day = 4nexturllabel = 下一页timesleep = 3[toutiao]websearchurl = http://www.toutiao.com/search/?keyword=