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:ubuntu14.10
scrapy安装指南(肯定官网的最权威了):[传送门](http://scrapy-chs.readthedocs.org/zh_CN/0.24/intro/install.html#intro-install)
需要完成的任务:
- 创建一个Scrapy项目
- 定义提取的Item
- 编写爬取网站的Spider并提取Item
- 编写Item Pipeline来存储提取到的Item
正式开始
新建scrapy项目
在命令行下:
scrapy startproject tech163
执行完程序后,将会有如下结构:
tech163/
scrapy.cfg
tech163/
__init__.py
items.py
pipelines.py
settings.py
spiders/
__init__.py
...
定义item
打开items.py
news_thread: 定义获取新闻的进程
news_title:获取新闻标题
news_url:获取新闻地址
news_time:获取新闻发布时间
news_from:获取发布者
from_url:获取。。。
news_body:获取新闻正文
定义spider
在spider目录下新建news_spider.py。必须继承scrapy.Spider类,且需要定义以下三个属性:
- name:用于区别Spider。该名字必须是唯一的。不可以为不同的Spider设置相同的名字。
start_url:包含了Spider在启动时进行爬取的URL列表。因此,第一个被获取的页面将是其中之一。后续的url则是从出事的url获取到的数据中提取。可以使用正则表达式定义和过滤需要进行跟进的链接。
parse():是spider的一个方法。被调用时,每个初始url完成下载后生成的response对象将会作为唯一的参数传递给该函数。该方法负责解析返回的数据、提取数据(生成item)以及生成需要进一步处理的url的response对象。
selectors选择器
scrapy使用了一种基于XPath和CSS表达式机制:Scrapy Selectors。
我们使用XPath来从页面的HTML源码中选择需要提取的数据。简单说一下XPath的用法。
- /html/head/title:选择HTML文档中<head>标签内的<title>元素
- /html/head/title/text():选择上面提到的<title>元素的文字
- //td:选择所有的<td>元素
- //div[@class=”mine”]:选择所有具有class=“mine”元素(2015/12/4/21:37)
以一篇网易的科技类的新闻进行说明:新闻网址
可以看到title是在head中的title中,因此使用XPath的形式为:/html/head/title/text()
其余的提取内容类似,需要查看网页的源代码。附上源代码(只是爬取科技类的新闻,其余的只要修改网址即可)
#encoding: utf-8
import scrapy
import re
from scrapy.selector import Selector
from tech163.items import Tech163Item
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider,Rule
class ExampleSpider(CrawlSpider):
name = "news"
allowed_domains = ["tech.163.com"] #需要对应网易新闻的类别
start_urls = ['http://tech.163.com/']
rules=(
Rule(LinkExtractor(allow=r"/14/08\d+/\d+/*"), #这里需根据具体年份考虑 /14/是指年份 /08\d+/ 是指月份 这个可参考一个网易新闻的地址:http://tech.163.com/16/1119/09/C67P02V400097U81.html
callback="parse_news",follow=True),
)
def printcn(suni):
for i in uni:
print uni.encode('utf-8')
def parse_news(self,response):
item = Tech163Item()
item['news_thread']=response.url.strip().split('/')[-1][:-5]
# self.get_thread(response,item)
self.get_title(response,item)
self.get_source(response,item)
self.get_url(response,item)
self.get_news_from(response,item)
self.get_from_url(response,item)
self.get_text(response,item)
#!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!remenber to Retrun Item after parse
return item
def get_title(self,response,item):
title=response.xpath("/html/head/title/text()").extract()
if title:
# print 'title:'+title[0][:-5].encode('utf-8')
item['news_title']=title[0][:-5]
def get_source(self,response,item):
source=response.xpath("//div[@class='left']/text()").extract()
if source:
# print 'source'+source[0][:-5].encode('utf-8')
item['news_time']=source[0][:-5]
def get_news_from(self,response,item):
news_from=response.xpath("//div[@class='left']/a/text()").extract()
if news_from:
# print 'from'+news_from[0].encode('utf-8')
item['news_from']=news_from[0]
def get_from_url(self,response,item):
from_url=response.xpath("//div[@class='left']/a/@href").extract()
if from_url:
# print 'url'+from_url[0].encode('utf-8')
item['from_url']=from_url[0]
def get_text(self,response,item):
news_body=response.xpath("//div[@id='endText']/p/text()").extract()
if news_body:
# for entry in news_body:
# print entry.encode('utf-8')
item['news_body']=news_body
def get_url(self,response,item):
news_url=response.url
if news_url:
#print news_url
item['news_url']=news_url
定义Item Pipeline
在pipelin.py文件中编写自己的pipeline,简单点说就是定义爬虫爬取的内容存放的地方。
from scrapy import signals
from scrapy.exporters import XmlItemExporter
class Tech163Pipeline(object):
def __init__(self):
pass
@classmethod
def from_crawler(cls,crawler):
pipeline = cls()
crawler.signals.connect(pipeline.spider_opened,signals.spider_opened)
crawler.signals.connect(pipeline.spider_closed,signals.spider_closed)
return pipeline
def spider_opened(self,spider):
self.file = open("test.xml","wb")
self.exporter = XmlItemExporter(self.file)
self.exporter.start_exporting()
def spider_closed(self,spider):
self.exporter.finish_exporting()
self.file.close()
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
在这里采用xml形式进行数据的存放,数据也可以存放到数据库中。
最后一步了,进行配置
万里长城,终于只差一步。
在这里等我研究了在进行解释。
最下边的USER_AGENT是使用浏览器代理,防止被禁的。(2015/12/5 11:52)
忘了写执行的命令了:
退到与工程同一目录下:
scrapy crawl news