python scrapy框架最后爬取的结果在哪儿看到_python scrapy框架爬取天津市科技计划项目成果库数据...

今天本来没有打算抓取这个网站的，无意中看到某个微信群有人问了一嘴这个网站，想看一下有什么特别复杂的地方，一顿操作下来，发现这个网站除了卡慢，经常自己宕机以外，好像还真没有什么特殊的....

有很明显的分页表示

列表如下

Request URL: http://cgk.kxjs.tj.gov.cn/navigation.do

Request Method: POST

参数说明,里面两个比较重要的 pageNum 页码，numPerPage 每页显示的数据

trades:

fields:

enterprise_type:

archive_year:

hsql:

searchKey:

pageNum: 2

numPerPage: 25

date_low:

date_high:

拼接地址

由于是POST请求，所以需要引入FormRequest 类。重写start_requests方法，注意

yield FormRequest(url=self.start_url,callback=self.parse,formdata=data,dont_filter=True)

中dont_filter=True 不过滤重复请求。

import scrapy

from scrapy import Request,FormRequest,Selector

import time

class TjSpider(scrapy.Spider):

name = 'Tj'

allowed_domains = ['cgk.kxjs.tj.gov.cn']

start_url = "http://cgk.kxjs.tj.gov.cn/navigation.do"

def start_requests(self):

#yield scrapy.Request(url="http://cgk.kxjs.tj.gov.cn/detail.do?id=1", callback=self.parse_detail)

for i in range(1,73): #73

data = {

"trades":"",

"fields":"",

"enterprise_type":"",

"archive_year":"",

"hsql":"",

"searchKey":"",

"pageNum": str(i),

"numPerPage": "25",

"date_low":"",

"date_high":"",

}

print("正在爬取{i}".format(i=i))

yield FormRequest(url=self.start_url,callback=self.parse,formdata=data,dont_filter=True)

time.sleep(10)

数据解析

这个步骤分为2步，第一步解析列表页，获取详情页面的链接，第二步获取具体的字段，在匹配字段的时候采用字典动态更新，用来生成mongodb的字典格式。

def parse(self, response):

links = response.css('#Result tr td:nth-child(1)>a::attr(href)').extract()

date = response.css('#Result tr td:nth-child(2)::text').extract()

for item in range(len(links)):

# yield {

# "link":links[item],

# "date":date[item]

# }

yield scrapy.Request(url=response.urljoin(links[0]),callback=self.parse_detail,meta={"date":date[item]})

def parse_detail(self,response):

trs = Selector(response).xpath("//table[@class='tab_lx003'][2]/tbody/tr")

item = {}

item.update({"date":response.meta["date"]})

for tr_item in trs:

item.update({tr_item.xpath("td[1]/text()").extract_first():tr_item.xpath("td[2]/text()").extract_first()})

yield item

time.sleep(3)

科技计划项目成果数据入库

入库操作非常简单了，走一遍之前的博客就可以，这个网站爬取的过程中没有太多问题，就是总是宕机掉，采用代理IP也没有解决，应该只是访问速度慢的原因，建议多爬取一下。

最后，发现详情页，最后的id=数字是连续性的，可以直接迭代，小编整理一套Python资料和PDF，有需要Python学习资料可以加学习群：1004391443，反正闲着也是闲着呢，不如学点东西啦~~

对付这种小数据的网站，其实采用Selenium也未尝不可啊~~