Scrapy基础(六)————Scrapy爬取伯乐在线一通过css和xpath解析文章字段(转)

原文地址: http://www.cnblogs.com/ruoniao/p/6878731.html

首先分析网页的结构和抓取流程：
1,下载start_urls，交给parse方法处理

2,parse处理，从中获取本页的文章url（以后获取到文章首图传递个自定义的parse_detail），和下一页的url

3,将下一页的url交给parse方法。继续进行1和2；将文章url传递给自定义的解析函数parse_detail

4,parse方法对下一页的url进行下载，自定义的parse_detial则通过css或者xpath 解析有用的信息传递给Item，次数两个操作是异步操作

以下是源码：
# -*- coding: utf-8 -*-
import scrapy
import re
from scrapy.http import Request
class JobboleSpider(scrapy.Spider):
    name = "jobbole"
    allowed_domains = ["blog.jobbole.com"]
    start_urls = ['http://blog.jobbole.com/all-posts/']

    def parse(self, response):
        '''
        进行两部操作：1,从页面抓取所有的文章url交给解析器进行解析这个页面的标题时间点赞数等
                      2，从页面抓取下一个页面的url 进行下载

        '''
        #从网页提取文章的URL,交给scrapy下载，并传递给parse_detail解析
        #css_urlsresponse.css('#archive .floated-thumb .post-thumb a ::attr(href)').extract()
        post_urls = response.xpath('/html/body/div[1]/div[3]/div/div/a/@href').extract()
        for url in post_urls:
            #同过scrapy的Request()下载，并且交给自定义的parse_detail解析
            #注意：在这里从网页上解析的url是全的url，不需要拼接，若不全则需要进行拼接
            #拼接通过 urllib库的parse中的urljoin("http://blog.jobbole.com/","110769")函数进行拼接
            yield  Request(url,callback=self.parse_detail)

        #从网页获取下一页
        #css_next_url = response.css('.next.page-numbers::attr(href)').extract_first()
        next_url = response.xpath('/html/body/div[1]/div[3]/div[21]/a[4]/@href').extract_first()
        if next_url:
            yield Request(next_url,callback=self.parse)
    def parse_detail(self,response):
        #//*[@id="post-110769"]/div[1]/h1
        #re_selector = response.xpath('//*[@id="post-110769"]/div[1]/h1/text()')
        #re2_selector = response.xpath('/html/body/div[3]/div[1]/h1/text()')
        #re3_selector = response.xpath('//div[@class="entry-header"]/h1/text()')



        #xpath()中的 text()函数是去除html,查看d标签外的 data的内容
        title = response.xpath('/html//div[@class="entry-header"]/h1/text()')

        #xpath()中的extracr()函数作用：将xpath()函数产生的Selector xpath对象的内容，并且以列表的对象返回；其他事去除空格和点号不必要的字符
        add_time=response.xpath('/html//p[@class="entry-meta-hide-on-mobile"]/text()').extract()[0].strip().replace("·","")

        #文章点赞人数,contains() 是xpath()的内置函数用法，找出在span中class属性包含'vote-post-up'字符串的标签
        like = response.xpath('//span[contains(@class,"vote-post-up")]/h10/text()').extract()[0]

        #文章收藏人数:fav_num  xpath解析 10收藏  re再解析 为：10
        fav_temp = response.xpath('//span[contains(@class,"bookmark-btn")]/text()').extract()[0]
        re_fav_num = re.match(".*(d+).*",fav_temp)
        if re_fav_num:
            fav_num =  int(re_fav_num.group(1))
        else:
            fav_num = 0
        #文章评论人数：解析同收藏人数
        comment_temp = response.xpath('//span[@class="btn-bluet-bigger href-style hide-on-480"]/text()').extract()[0]
        re_comment = re.match(".*(d+).*",comment_temp)
        if re_comment:
            comment_num = int(re_comment.group(1))
        else:
            comment_num = 0
        #文章内容，简单提取，不太复杂的，不深入研究
        content = response.xpath('//div[@class="entry"]').extract()[0]
        #标签：涉及去重评论
        temp_tag = response.xpath('/html//p[@class="entry-meta-hide-on-mobile"]/a/text()')
        tag_list = [x for x in tag if not x.strip().endswith("评论") ]
        tags = ";".join(tag_list)
        pass
'''

        #通过css选择器提取数据

        #提取标题 .后面跟的代表的是class的属性
        css_title = response.css(".entry-header h1::text").extract()[0]

        #添加时间 提取p标签的class的唯一值为entry-meta-hide-on-mobile属性的标签，::text是提取其内容，与text()相似
        css_add_time =response.css("p.entry-meta-hide-on-mobile::text").extract()[0].strip().replace("·","")

        #点赞人数：class 属性为vote-post-up 的唯一的标签
        css_like = response.css(".vote-post-up h10::text").extract()[0]

        #文章收藏人数，对于数组来说按索引提取有风险，所有需要异常捕获操作，extract_first()就是对其进行异常操作,保证列表为空时不报错
        css_fav_temp = response.css(".bookmark-btn::text").extract_first()
        re_fav_num = re.match(".*(d+).*",fav_temp)
        if re_fav_num:
            css_fav_num =  re_fav_num.group(1)

        #文章评论人数
        re_comment = response.css('a[href="#article-comment"] span::text').extract_first()("0")
        if re_comment:
            comment_num = re_comment.group(1)

        #标签：涉及去重评论
        temp_tag = response.css('p[class="entry-meta-hide-on-mobile"] a::text').extract()
        tag_list = [x for x in tag if not x.strip().endswith("评论") ]
        tags = ";".join(tag_list)
 '''