scrapy-splash抓取动态数据例子十

　　一、介绍

　　　　本例子用scrapy-splash抓取活动行网站给定关键字抓取活动信息。

　　　　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('//ul[@class="event-horizontal-list-new"]/li')

　　　　2、抓取标题

　　　　　　抓取代码：title = str(sel.xpath('.//h3/a/text()')[0].extract())

　　　　3、抓取链接

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

　　　　4、抓取日期

　　　　　　抓取代码：dates = sel.xpath('.//div[1]/text()')

　　　　5、主办方

　　　　　　抓取代码：organizers = sel.xpath('.//div[3]/a[2]/span/text()')

　　　　6、地点

　　　　　　抓取代码：areas = site.xpath('.//div[@class="address"]/a/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 SplashMeetingItem
from scrapy_ott.mongoDB import mongoDbBase
import scrapy_ott.IniFile
from scrapy_ott.LogFile import LogFile
import sys
import os
import re
import time

reload(sys)
sys.setdefaultencoding('utf-8')
import urllib
# sys.stdout = open('output.txt', 'w')

class huodongxingSpider(Spider):
    log = LogFile(time.strftime('%Y-%m-%d') + '.txt')
    name = 'huodongxing'
    db = mongoDbBase()
    configfile = os.path.join(os.getcwd(), 'scrapy_ott\setting.conf')

    cf = scrapy_ott.IniFile.ConfigFile(configfile)
    meeting_wordlist = cf.GetValue("section", "meeting_keywords").split(';')
    websearch_url = cf.GetValue("huodongxing", "websearchurl")
    start_urls = []
    for keyword in meeting_wordlist:
        url = websearch_url + '&pi='+ str(1)+ '&qs=' +keyword
        start_urls.append(url)
    # request需要封装成SplashRequest
    def start_requests(self):
        self.log.WriteLog(u'抓取活动行网站数据')
        for url in self.start_urls:
            index = url.rfind('=')
            yield SplashRequest(url
                                , self.parse
                                , args={'wait': '2'},
                                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 '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{1,2}-\d{1,2}')
        strDate = re.findall(datePattern, strDateText)
        if len(strDate) == 1:
            if self.Comapre_to_days(strDate[0],currentDate)>0:
                return True,strDate[0]
        return False, ''

    def parse(self, response):
        site = Selector(response)
        sels = site.xpath('//ul[@class="event-horizontal-list-new"]/li')
        keyword = response.meta['keyword']

        for sel in sels:
            dates = sel.xpath('.//div[1]/text()')
            if len(dates) > 0:
                strdate = str(dates[1].extract())
                flag, date = self.date_isValid(strdate)
                if flag:
                    title = str(sel.xpath('.//h3/a/text()')[0].extract())
                    if title.find(keyword) > -1:
                        url = 'http://www.huodongxing.com' + str(sel.xpath('.//a/@href')[0].extract())
                        organizers = sel.xpath('.//div[3]/a[2]/span/text()')
                        if len(organizers)>0:
                            organizer = organizers[0].extract()
                        yield SplashRequest(url
                                            , self.parse_item
                                            , args={'wait': '1'},
                                            meta={'date': date, 'url': url,
                                                  'keyword': keyword, 'title': title,'organizer':organizer}
                                            )


    def parse_item(self, response):
        site = Selector(response)
        it = SplashMeetingItem()
        it['title'] = response.meta['title']
        it['url'] = response.meta['url']
        it['date'] = response.meta['date']
        it['keyword'] = response.meta['keyword']
        it['startdate'] = response.meta['date']
        it['enddate'] = response.meta['date']
        it['organizer'] = response.meta['organizer']
        dates=site.xpath('.//div[@class="media-body"]/div[1]/text()|.//div[@class="media-body"]/div[1]/em/text()')
        if len(dates)>0:
            print dates[0].extract()
            # it['date'] = dates[0].extract()
        areas = site.xpath('.//div[@class="address"]/a/text()')
        if len(areas) > 0:
            it['area'] = areas[0].extract()
        self.db.SaveMeeting(it)
        return it