scrapy-splash抓取动态数据例子十二

　　一、介绍

　　　　本例子用scrapy-splash通过搜狗搜索引擎，输入给定关键字抓取资讯信息。

　　　　给定关键字：数字；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="vrwrap"]')

　　　　2、抓取标题

　　　　　　抓取代码：titles = sel.xpath('.//h3[@class="vrTitle"]/a/text()|.//h3[@class="vrTitle"]/a/em/text()')

　　　　3、抓取链接

　　　　　　抓取代码：it['url'] = sel.xpath('.//h3[@class="vrTitle"]/a/@href')[0].extract()

　　　　4、抓取日期

　　　　　　抓取代码：strdate = sel.xpath('.//p[@class="news-from"]/text()')

　　　　5、抓取来源

　　　　　　抓取代码：sources = sel.xpath('.//p[@class="news-from"]/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 scrapy_ott.items import SplashTestItem
from scrapy_ott.mongoDB import mongoDbBase
import scrapy_ott.IniFile
import sys
import os
import re
import time

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

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

class sougouSpider(Spider):
    name = 'sougou'

    db = mongoDbBase()

    configfile = os.path.join(os.getcwd(), 'scrapy_ott\setting.conf')
    cf = scrapy_ott.IniFile.ConfigFile(configfile)
    information_keywords = cf.GetValue("section", "information_keywords")
    information_wordlist = information_keywords.split(';')
    # websearchurl = cf.GetValue("sougou", "websearchurl")
    start_urls = []
    for word in information_wordlist:
        start_urls.append('http://news.sogou.com/news?page=1&query=' + word)
        start_urls.append('http://news.sogou.com/news?page=2&query=' + word)
        start_urls.append('http://news.sogou.com/news?page=3&query=' + 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': ''},
                                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):
        '''
        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 '慧聪网 7小时前'; '新浪游戏 29分钟前' ; '中国行业研究网 2017-6-13'
        :return: True:合法；False:不合法
        '''
        currentDate = time.strftime('%Y-%m-%d')
        source = strDateText.split(' ')[0]
        if strDateText.find('分钟前') > 0 :
            return True,source,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,source,currentDate
        else:
            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,source,currentDate
        return False, '',''

    def parse(self, response):
        keyword = response.meta['keyword']
        site = Selector(response)
        sels = site.xpath('//div[@class="vrwrap"]')
        item_list = []
        for sel in sels:
            strdate = sel.xpath('.//p[@class="news-from"]/text()')
            if len(strdate)>0:
                flag, source, date = self.date_isValid(strdate[0].extract())
                if flag:
                    titles = sel.xpath('.//h3[@class="vrTitle"]/a/text()|.//h3[@class="vrTitle"]/a/em/text()')
                    title = ''
                    for t in titles:
                        title += str(t.extract())
                    if title.find(keyword) > -1:
                        it = SplashTestItem()
                        it['source'] = source
                        it['url'] = sel.xpath('.//h3[@class="vrTitle"]/a/@href')[0].extract()
                        it['date'] = date
                        it['keyword'] = keyword
                        it['title'] = title

                        item_list.append(it)

        if len(item_list)>0:
            self.db.SaveInformations(item_list)
            return item_list