利用Scrapy抓取一帶一路戰(zhàn)略性支撐平臺信息

本文首發(fā)于我的博客:http://gongyanli.com
代碼傳送門:https://github.com/Gladysgong/BeltandRoad
簡書: http://www.reibang.com/p/6fe4afa1b98a
CSDN: https://blog.csdn.net/u012052168/article/details/79761833

好久以前做的東西了膳凝,網(wǎng)站的數(shù)據(jù)也很容易拿到讥电,最近想對自己的東西做一個總結(jié)叫惊,所以就有了這篇文章姨拥。 
我的目標(biāo)是抓取一帶一路戰(zhàn)略支撐平臺里面一些機(jī)構(gòu)的數(shù)據(jù),像聯(lián)系電話藕夫、郵箱等等昌屉,簡單看看網(wǎng)站的樣子把。
首先獲取列表項的所有url福扬,其中包括一項翻頁操作腕铸,拿到url后訪問,獲取里面的詳細(xì)信息铛碑,就這么簡單狠裹。
image

一、定義Items

`class BeltandRoadItem(scrapy.Item):
# collection = 'BeltandRoad'

name = scrapy.Field()  # 機(jī)構(gòu)名稱
intro = scrapy.Field()  # 機(jī)構(gòu)簡介
address = scrapy.Field()  # 機(jī)構(gòu)地址
tel = scrapy.Field()  # 機(jī)構(gòu)電話
fax = scrapy.Field()  # 機(jī)構(gòu)傳真
email = scrapy.Field()  # 機(jī)構(gòu)郵箱
site = scrapy.Field()  # 機(jī)構(gòu)網(wǎng)址`

二汽烦、爬蟲模塊

爬蟲模塊中包括翻頁操作涛菠,并不復(fù)雜,就不詳細(xì)說明。

`# -*- coding:utf-8 -*-
from scrapy.spiders import CrawlSpider, Rule
import scrapy
from ..items import BeltandRoadItem

# from scrapy.conf import settings

# 一帶一路戰(zhàn)略支撐平臺
class BeltandRoadSpider(CrawlSpider):
    name = "BeltandRoadSpider"
    start_urls = ['http://ydyl.drcnet.com.cn/www/ydyl/channel.aspx?version=YDYL&uid=8011']

    # 解析url地址
    def parse(self, response):
        # urls = response.xpath('//div[@class="pub_right"]/ul/li/div[1]/a/@href').extract()
        urls = response.xpath('//ul[@id="ContentPlaceHolder1_WebPageDocumentsByUId1"]/li/div[1]/a/@href').extract()
        # institute_name = response.xpath('//ul[@class="left-nav"]/li/h3/a/text()').extract()

        for url in urls:
            # url = "http://ydyl.drcnet.com.cn/www/ydyl/" + url
            # print("1:", url)
            yield scrapy.Request(url=url, callback=self.parse_content)

        next_page = response.xpath(
            '//div[@id="ContentPlaceHolder1_WebPageDocumentsByUId1_PageRow"]/input[4]/@onclick').extract()
        next_page = str(next_page).split("\'")[1]
        print("next:", next_page)
        if next_page:
            next_page = "http://ydyl.drcnet.com.cn" + next_page
            yield scrapy.Request(url=next_page, callback=self.parse)

    # 解析內(nèi)容
    def parse_content(self, response):
        item = BeltandRoadItem()
        name = response.xpath('//div[@id="disArea"]/strong/div/text()').extract()[0]  # 提取名稱
        content = response.xpath('//div[@id="disArea"]/div[@id="docContent"]/p').xpath('string(.)').extract()  # 提取其他信息
        content = str(content).split('\'')
        item['name'] = name
        for i in range(len(content)):  # 過濾無效信息后碗暗,提取有用信息存儲到item中
            if content[i] != '[' and content[i] != ']' and content[i] != ', ':
                print("xx:", content[i])
                if "簡介" in content[i]:
                    item['intro'] = content[i]
                elif "地址" in content[i]:
                    item['address'] = content[i]
                elif "聯(lián)系電話" in content[i]:
                    item['tel'] = content[i]
                elif "傳真" in content[i]:
                    item['fax'] = content[i]
                elif "電子郵箱" in content[i]:
                    item['email'] = content[i]
                elif "網(wǎng)址" in content[i]:
                    item['site'] = content[i]
        yield item
`

三颈将、構(gòu)建pipelines

主要就是進(jìn)行數(shù)據(jù)持久化操作,把數(shù)據(jù)存入MongoDB數(shù)據(jù)中言疗。

`import pymongo
from scrapy.conf import settings
from .items import BeltandRoadItem

# 一帶一路戰(zhàn)略支撐平臺
class BeltandRoadPipeline(object):
    def __init__(self, mongo_uri, mongo_db, mongo_port):
        self.mongo_uri = mongo_uri
        self.mongo_port = mongo_port
        self.mongo_db = mongo_db

    @classmethod
    def from_crawler(cls, crawler):
        return cls(mongo_uri=crawler.settings.get('MONGO_URI'),
                   mongo_port=crawler.settings.get('MONGO_PORT'),
                   mongo_db=crawler.settings.get('MONGO_DB')
                   )

    def open_spider(self, spider):
        self.client = pymongo.MongoClient(self.mongo_uri, self.mongo_port)
        self.db = self.client[self.mongo_db]
        self.BeltandRoad = self.db['BeltandRoad']

    def close_spider(self, spider):
        self.client.close()

    def process_item(self, item, spider):
        if isinstance(item, BeltandRoadItem):
            try:
                if item['name']:
                    item = dict(item)
                    # self.db[item.collection].insert(item)  運行這個代碼時利用items中collection創(chuàng)建表晴圾,會提示插入失敗,但是依然會插入到數(shù)據(jù)庫噪奄?
                    self.BeltandRoad.insert(item)
                    print("插入成功")
                    return item
            except Exception as e:
                spider.logger.exception("插入失敗")`

四死姚、配置文件settings

# 激活pipelines
ITEM_PIPELINES = {
   'BeltandRoad.pipelines.BeltandRoadPipeline': 300,}

# 數(shù)據(jù)庫配置
MONGO_URI = "127.0.0.1"  # 主機(jī)IP
MONGO_PORT = 27017  # 端口號
MONGO_DB = "Belt"  # 數(shù)據(jù)庫名字
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市勤篮,隨后出現(xiàn)的幾起案子都毒,更是在濱河造成了極大的恐慌,老刑警劉巖碰缔,帶你破解...
    沈念sama閱讀 211,290評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件账劲,死亡現(xiàn)場離奇詭異,居然都是意外死亡金抡,警方通過查閱死者的電腦和手機(jī)瀑焦,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,107評論 2 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來梗肝,“玉大人榛瓮,你說我怎么就攤上這事∥谆鳎” “怎么了禀晓?”我有些...
    開封第一講書人閱讀 156,872評論 0 347
  • 文/不壞的土叔 我叫張陵,是天一觀的道長坝锰。 經(jīng)常有香客問我粹懒,道長,這世上最難降的妖魔是什么什黑? 我笑而不...
    開封第一講書人閱讀 56,415評論 1 283
  • 正文 為了忘掉前任崎淳,我火速辦了婚禮,結(jié)果婚禮上愕把,老公的妹妹穿的比我還像新娘拣凹。我一直安慰自己,他們只是感情好恨豁,可當(dāng)我...
    茶點故事閱讀 65,453評論 6 385
  • 文/花漫 我一把揭開白布嚣镜。 她就那樣靜靜地躺著,像睡著了一般橘蜜。 火紅的嫁衣襯著肌膚如雪菊匿。 梳的紋絲不亂的頭發(fā)上付呕,一...
    開封第一講書人閱讀 49,784評論 1 290
  • 那天,我揣著相機(jī)與錄音跌捆,去河邊找鬼徽职。 笑死,一個胖子當(dāng)著我的面吹牛佩厚,可吹牛的內(nèi)容都是我干的姆钉。 我是一名探鬼主播,決...
    沈念sama閱讀 38,927評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼抄瓦,長吁一口氣:“原來是場噩夢啊……” “哼潮瓶!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起钙姊,我...
    開封第一講書人閱讀 37,691評論 0 266
  • 序言:老撾萬榮一對情侶失蹤毯辅,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后煞额,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體思恐,經(jīng)...
    沈念sama閱讀 44,137評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,472評論 2 326
  • 正文 我和宋清朗相戀三年立镶,在試婚紗的時候發(fā)現(xiàn)自己被綠了壁袄。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,622評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡媚媒,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出涩僻,到底是詐尸還是另有隱情缭召,我是刑警寧澤,帶...
    沈念sama閱讀 34,289評論 4 329
  • 正文 年R本政府宣布逆日,位于F島的核電站嵌巷,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏室抽。R本人自食惡果不足惜搪哪,卻給世界環(huán)境...
    茶點故事閱讀 39,887評論 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望坪圾。 院中可真熱鬧晓折,春花似錦、人聲如沸兽泄。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,741評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽病梢。三九已至胃珍,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背觅彰。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1 265
  • 我被黑心中介騙來泰國打工吩蔑, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人填抬。 一個月前我還...
    沈念sama閱讀 46,316評論 2 360
  • 正文 我出身青樓烛芬,卻偏偏與公主長得像,于是被迫代替她去往敵國和親痴奏。 傳聞我的和親對象是個殘疾皇子蛀骇,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,490評論 2 348

推薦閱讀更多精彩內(nèi)容