scrapy-splash抓取动态数据例子六

　　一、介绍

　　　　本例子用scrapy-splash抓取中广互联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('//li[@class="content_list clearfix"]')

　　　　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 = sel.xpath('.//div[@class="content_listtext"]/a/h3/text()')

　　　　3、抓取链接

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

　　　　4、抓取日期

　　　　　　抓取代码：strdates = sel.xpath('.//div[@class="listtext_label"]/span/text()')

　　　　5、抓取来源

　　　　　　抓取代码：sources = site.xpath('//div[@class="headlines_source"]/span[2]/text()')

　　

　　四、完整代码

　　

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
from scrapy.spiders import Spider
from scrapy_splash import SplashRequest
from scrapy_splash import SplashMiddleware
from scrapy.http import Request, HtmlResponse
from scrapy.selector import Selector
from scrapy_splash import SplashRequest
from splash_test.items import SplashTestItem
import IniFile
import sys
import os
import re
import time

reload(sys)
sys.setdefaultencoding('utf-8')

sys.stdout = open('output.txt', 'w')

class tvoaoSpider(Spider):
    name = 'tvoao'

    configfile = os.path.join(os.getcwd(), 'splash_test\spiders\setting.conf')

    cf = IniFile.ConfigFile(configfile)
    information_wordlist = cf.GetValue("section", "information_keywords").split(';')
    websearch_urls = cf.GetValue("tvoao", "websearchurl").split(';')
    start_urls = []
    for url in websearch_urls:
        start_urls.append(url)

    # request需要封装成SplashRequest
    def start_requests(self):
        for url in self.start_urls:
            yield SplashRequest(url
                                , self.parse
                                , args={'wait': ''}
                                )
    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):
        '''
        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')
        datePattern = re.compile(r'\d{4}-\d{2}-\d{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="content_list clearfix"]')
        for sel in sels:
            strdates = sel.xpath('.//div[@class="listtext_label"]/span/text()')

            if len(strdates)>0:
                flag, date = self.date_isValid(str(strdates[0].extract()))
                if flag:
                    titles = sel.xpath('.//div[@class="content_listtext"]/a/h3/text()')
                    if len(titles) > 0:
                        title = str(titles[0].extract())

                    url = 'http://www.tvoao.com' + str(sel.xpath('.//a/@href')[0].extract())
                    for keyword in self.information_wordlist:
                        if title.find(keyword) > -1:
                            yield SplashRequest(url
                                                , self.parse_item
                                                , args={'wait': ''},
                                                meta={'date': date, 'url': url,
                                                      'keyword': keyword, 'title': title}
                                                )

    def parse_item(self, response):
        site = Selector(response)
        it = SplashTestItem()
        it['title'] = response.meta['title']
        it['url'] = response.meta['url']
        it['date'] = response.meta['date']
        it['keyword'] = response.meta['keyword']
        sources = site.xpath('//div[@class="headlines_source"]/span[2]/text()')
        if len(sources)>0:
            it['source'] = str(sources[0].extract()).replace(u'来源： ', '')
        return it