标签：网易 url self request spider 爬取 scrapy div response
需求
爬取网易新闻中的新闻数据（标题和内容）
1.通过网易新闻的首页解析出五大板块对应的详情页的url（没有动态加载）
2.每一个板块对应的新闻标题都是动态加载出来的（动态加载）
3.通过解析出每一条新闻详情页的url获取详情页的页面源码，解析出新闻内容
代码实现
数据解析
需要获取国内、国际，两大板块的详情页地址。它们均存在ul下的li标签
xpath定位：//*[@id="index2016_wrap"]/div[2]/div[2]/div[2]/div[2]/div/ul/li
分别位于第3 和 4 标签列
import scrapy
from wangyiPro.items import WangyiproItem
from selenium import webdriver
class WangyiSpider(scrapy.Spider):
name = 'wangyi'
# allowed_domains = ['www.xxx.com']
start_urls = ['https://news.163.com/']
url_list = [] #存储板块对应详情页的url
#实例化一个浏览器对象
def __init__(self):
self.bro = webdriver.Chrome()
##解析大板块对应详情页的url
def parse(self, response):
list = response.xpath('//*[@id="index2016_wrap"]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
index_list = [2,3]
for index in index_list:
url = list[index].xpath('./a/@href').extract_first()
self.url_list.append(url)
for url in self.url_list:
yield scrapy.Request(url,callback=self.parse_model)
# 每一个板块对应的新闻标题相关的内容都是动态加载
def parse_model(self, response):#解析每一个板块页面中对应新闻的标题和新闻详情页的url
div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div[1]/div/ul/li/div/div')
for div in div_list:
title = div.xpath('./div/div/h3/a/text()').extract_first()
detail_url = div.xpath('./div/div/h3/a/@href').extract_first()
item = WangyiproItem()
item['title'] = title
# 对新闻详情页的url发起请求
yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={'item':item})
# 解析新闻内容
def parse_detail(self, response):
content = response.xpath('//div[@id="content"]/div[2]//text()').extract()
content = ''.join(content)
item = response.meta['item']
item['content'] = content
yield item
#关闭浏览器
def closed(self,spider):
self.bro.quit()
中间件处理
class WangyiproDownloaderMiddleware:
# Not all methods need to be defined. If a method is not defined,
# scrapy acts as if the downloader middleware does not modify the
# passed objects.
# 该方法拦截板块对应的响应对象，进行篡改
def process_request(self, request, spider):
# Called for each request that goes through the downloader
# middleware.
# Must either:
# - return None: continue processing this request
# - or return a Response object
# - or return a Request object
# - or raise IgnoreRequest: process_exception() methods of
# installed downloader middleware will be called
return None
def process_response(self, request, response, spider):#spider爬虫对象
bro = spider.bro # 获取了在爬虫类中定义的浏览器对象
# 挑选出指定的响应对象进行篡改
# 通过url指定request
# 通过request指定response
if request.url in spider.url_list:
bro.get(request.url) # 五个板块对应的url进行请求
sleep(3)
page_text = bro.page_source # 包含了动态加载的新闻数据
# response #五大板块对应的响应对象
# 针对定位到的这些response进行篡改
# 实例化一个新的响应对象（符合需求：包含动态加载出的新闻数据），替代原来旧的响应对象
# 如何获取动态加载出的新闻数据？
# 基于selenium便捷的获取动态加载数据
new_response = HtmlResponse(url=request.url, body=page_text, encoding='utf-8', request=request)
return new_response
else:
# response #其他请求对应的响应对象
return response #其他请求对应的响应对象
def process_exception(self, request, exception, spider):
# Called when a download handler or a process_request()
# (from other downloader middleware) raises an exception.
# Must either:
# - return None: continue processing this exception
# - return a Response object: stops process_exception() chain
# - return a Request object: stops process_exception() chain
pass
def spider_opened(self, spider):
spider.logger.info('Spider opened: %s' % spider.name)
配置文件
持久化存储
标签：网易,url,self,request,spider,爬取,scrapy,div,response 来源： https://www.cnblogs.com/simon1993/p/16315387.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。