使用Scrapy对新闻进行爬虫(一)

原创 2016年08月29日 04:06:34

Scrapy Item Pipeline学习笔记

Item Pipeline 主要用于从网页抓取(spider)后对数据Item进行收集,写入数据库或文件中。

执行方式

spider 在获得item后,会传递给item pipeline,进行后续数据收集工作。
在setting中对item pipeline类路径进行配置,scrapy框架会调用该item pipeline类,为了正确调用,
item pipeline类必须按照框架要求实现一些方法。使用者只需关注实现这些方法即可。

例子

下面文件实现了一个简单的item pipeline类,对抓取的新闻数据进行进一步处理并写入文件中。这些方法的功能见注释。
1. 文件:pipelines.py

注意事项:
1. 初始化函数实现非常自由,无需限定参数,只需保证from_crawler类方法能够调用该初始化函数生成相应的实例及可。
2. 框架所使用方法声明参数固定。(保证框架能够正确调用)

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html


class News2FileFor163Pipeline(object):
    """
    pipeline: process items given by spider
    """

    def __init__(self, filepath, filename):
        """
        init for the pipeline class
        """
        self.fullname = filepath + '/' + filename
        self.id = 0
        return

    def process_item(self, item, spider):
        """
        process each items from the spider.
        example: check if item is ok or raise DropItem exception.
        example: do some process before writing into database.
        example: check if item is exist and drop.
        """
        for element in ("url","source","title","editor","time","content"):
            if item[element] is None:
                raise DropItem("invalid items url: %s" % str(item["url"]))
        self.fs.write("news id: %s" % self.id)
        self.fs.write("\n")
        self.id += 1
        self.fs.write("url: %s" % item["url"][0].strip().encode('UTF-8'))
        self.fs.write("\n")
        self.fs.write("source: %s" % item["source"][0].strip().encode('UTF-8'))
        self.fs.write("\n")
        self.fs.write("title: %s" % item["title"][0].strip().encode('UTF-8'))
        self.fs.write("\n")
        self.fs.write("editor: %s" % item["editor"][0].strip().
                      encode('UTF-8').split(':')[1])
        self.fs.write("\n")
        time_string = item["time"][0].strip().split()
        datetime = time_string[0] + ' ' + time_string[1]
        self.fs.write("time: %s" % datetime.encode('UTF-8'))
        self.fs.write("\n")
        content = ""
        for para in item["content"]:
            content += para.strip().replace('\n', '').replace('\t', '')
        self.fs.write("content: %s" % content.encode('UTF-8'))
        self.fs.write("\n")
        return item

    def open_spider(self, spider):
        """
        called when spider is opened.
        do something before pipeline is processing items.
        example: do settings or create connection to the database.
        """
        self.fs = open(self.fullname, 'w+')
        return

    def close_spider(self, spider):
        """
        called when spider is closed.
        do something after pipeline processing all items.
        example: close the database.
        """
        self.fs.flush()
        self.fs.close()
        return

    @classmethod
    def from_crawler(cls, crawler):
        """
        return an pipeline instance.
        example: initialize pipeline object by crawler's setting and components.
        """
        return cls(crawler.settings.get('ITEM_FILE_PATH'),
                   crawler.settings.get('ITEM_FILE_NAME'))
  1. 抓取project中settting.py的相关配置代码
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    'NewsSpiderMan.pipelines.News2FileFor163Pipeline': 300,
}

进一步需求

如果抓取数据的内容非常多,使用item pipeline 对数据处理并写入数据库中乃王道。

版权声明:本文为博主原创文章,未经博主允许不得转载。

相关文章推荐

文本分类(二):scrapy爬取网易新闻

在数据挖掘课程中,老师布置了文本分类的作业。文本分类的第一项应该就是获取文本了吧。 在木有弄懂scrapy的情况下写的,纯应用,或许后续会补上scrapy的原理。 首先说一下我的环境:ubuntu14...

python爬虫(抓取百度新闻列表)

一、python请求要抓取的url页面 要抓取的url http://news.baidu.com/ ,先python模拟请求该url#!/usr/bin/python # -*- coding:u...

Scrapy网络爬虫框架实战[以腾讯新闻网为例]

目录引言 待爬的url 框架架构 items的编写 Spider的编写 存储pipelines的编写 相关配置settings的编写 main方法的编写 运行结果展示引言关于Scrapy的相关介绍及豆...

Python爬取百度新闻数据并将时间统计到EXCEL中

缘起我的好朋友的毕业论文需要爬取基金经理的新闻数量,并且统计新闻数量与基金的成交率的关系,我当然义不容辞啦。 任务描述:爬取三百位基金经理“百度新闻”中的搜索结果,并且将其分别按月和按季度统计新闻数...

使用Scrapy对新闻进行爬虫(零)

Scrapy学习笔记目标使用Scrapy爬虫框架对获取网站新闻数据。爬虫目标网站:http://tech.163.com 提取内容: url 新闻地址 source 新闻来源 tit...

使用Scrapy对新闻进行爬虫(二)

Scrapy Item学习笔记scrapy框架下的Item用于定义抓取的数据内容。实现从非结构化数据(网页)中提取结构化数据时,结构化数据所用的数据结构即为该item(Scrapy.Item)执行方式...

Scrapy爬取中国日报新闻--( 一 )

1、首先需要安装Scrapy  但是由于在Windows上Scrapy安装出现了各种问题,要求需要最新版的VS。出于偷懒的心理,推荐下载Anaconda,使用Anaconda来管理Python不仅省力...

利用scrapy爬取新浪体育新闻的小例子

1、新建项目scrapy startproject tutorial整体结构如下 2、修改items# -*- coding: utf-8 -*-# Define here the models ...

Scrapy爬取中国日报新闻--( 二 )

中国日报网页分析    如图所示,中国日报上的子栏目、子栏目分类、新闻主要分成以下三种格式,如果要按照平常的方式进行爬取,因为没有规律可寻,所以实现起来十分困难。    但是我们可以发现即使新闻的...

Scrapy抓取西刺高匿代理ip

如题:因为想试试代理ip,所以就想着在西刺上爬一些ip用用如上两节所示,具体如何建立Scrapy工程的细节不在赘述。scrapy startproject xiciscrapy genspider x...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)