python scrapy框架爬艺龙动态评论
本人用的是python2.7
1、安装好scrapy
安装scrapy 网上都有教程(附:http://cuiqingcai.com/912.html)
安装好scrapy之后,在cmd命令行代码的目录下运行
scrapy startproject yourprojectname 该命令将会创建包含下列内容的目录 scrapy.cfg 项目的配置文件 items.py 项目中的item文件 pipelines.py 项目的pipelines文件 setting.py 项目的设置文件 spiders.py 放置爬虫代码的目录
2、定义items文件
其中,imformation是我需要的酒店信息,content是酒店评论,time是评论时间
3、编写爬虫文件
Spider是用户编写用于从单个网站(或者一些网站)爬取数据的类。
其包含了一个用于下载的初始URL,如何跟进网页中的链接以及如何分析页面中的内容, 提取生成 item 的方法。
为了创建一个Spider,您必须继承 scrapy.Spider
类, 且定义以下三个属性:
name
: 用于区别Spider。 该名字必须是唯一的,您不可以为不同的Spider设定相同的名字。start_urls
: 包含了Spider在启动时进行爬取的url列表。 因此,第一个被获取到的页面将是其中之一。 后续的URL则从初始的URL获取到的数据中提取。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(response data),提取数据(生成item)以及生成需要进一步处理的URL的Request
对象。
上代码
# -*- coding:utf-8 -*- import urllib2 import json import urllib import requests from bs4 import BeautifulSoup import sys reload(sys) sys.setdefaultencoding( "utf-8" ) import scrapy from qqq.items import qqqItem class tto(scrapy.Spider): name = "yilong" start_urls=['http://hotel.elong.com/'] def parse(self, response): url = 'http://hotel.elong.com/ajax/list/asyncsearch/' data = { "listRequest.pageIndex": 1, "code ": 8840502 } list = [] while True: d = requests.post(url, data=data) j = json.loads(d.text) p = j['value'] q = p['hotelIds'] q = q.split(",") list.append(q) data['listRequest.pageIndex'] += 1 if data['listRequest.pageIndex'] == 2: break list = sum(list, []) print list list1 = [] list2 = [] item={} for q in list: z = 'http://hotel.elong.com/' + q # url1 = 'http://hotel.elong.com/ajax/detail/gethotelreviews/?hotelId=' + q list1.append(z) # list2.append(url1) for p in list1: page = urllib.urlopen(p) soup = BeautifulSoup(page, "html.parser") for tag in soup.find_all('h1', class_="breadcrumb"): f = tag.get_text(strip=True) print f # file = open(f + ".txt", "w") for tag in soup.find_all('div', id="hotelContent"): ff = tag.get_text() ff = ff.replace(" ", "") item['information']=ff for q in list: url1 = 'http://hotel.elong.com/ajax/detail/gethotelreviews/?hotelId=' + q for i in range(0, 4): url2 = url1 + '&recommendedType=0&pageIndex=' + str(i) list2.append(url2) print list2 for p in list2: print p request = urllib2.Request(p) response = urllib2.urlopen(request) t = response.read() d = json.loads(t) for p in d["contents"]: item['content'] = p["content"].encode('utf-8') item['time'] = p["createTimeString"].encode('utf-8') yield item注意:
name = "yilong"
这里的name一定不能重名,必须唯一!!!
因为这是运行时的名字
4、写入文件并保存即编写setting.py
我用的是火狐浏览器,所以USER_AGENT是火狐的
5、运行
1)、可以在cmd命令行代码存放的目录下输入
scrapy crawl name
这时的name 是Spider里创建的新文件里的那个唯一的name
2)、当然,cmd上看着不方便,可以创建main.py
#coding=utf-8 from scrapy import cmdline cmdline.execute("scrapy crawl yilong".split())main.py是在spider文件外创建的
之后就可以在本地看到成果啦