使用Scrapy来爬取自己的CSDN文章 (2)

前言

前面讲到只是爬取了title和url，那么怎么爬取文章,其实原理是一样的。

过程

保存文章内容的Item

我们在

item.py

中添加一项，如下：

class CsdnArticleItem(Item):
title = Field()
article = Field()
pass

我们保存文章的题目和内容。

分析文章的链接

csdn是怎么来保存一篇文章的，我们来看一个url:

http://blog.csdn.net/zhx6044/article/details/45698535

http://blog.csdn.net

是域名。
zhx6044是作者。

article/details

是固定的，那么只是最后的数字不同，所以数字用来索引一篇文章。

更新我们的爬虫

在

csdn_crawler.py

中的

CsdnCrawlerSpider

的

rules

中添加一个对于文章内容的爬取规则，如下：

rules = (
Rule(LinkExtractor(allow=r'article/list/[0-9]{1,20}'), callback='parse_item', follow=True),
Rule(LinkExtractor(allow=r'article/details/[0-9]{1,20}'), callback='parse_article', follow=True),
)

然后我们实现一个其处理这个规则链接内容的回调函数。如下：

def parse_article(self, response):
i = CsdnArticleItem()
i['title'] = response.xpath('//*[@id="article_details"]/div[1]/h1/span/a/text()').extract()
i['article'] = response.xpath('//*[@id="article_content"]').extract()
return i

使用的还是Chromium浏览器的Copy XPath功能。
在提取文章内容时不好处理，为了实现更好的页面表现效果，其中实现比较复杂，我不能值爬取文字内容，所以现在只能连样式一起爬下来。
这样添加之后，我们的爬虫就可是运行了。

结果

这是其中的一些运行log:

2015-05-16 14:35:51+0800 [csdn_crawler] DEBUG: Filtered duplicate request: <GET http://blog.csdn.net/zhx6044/article/list/3> - no more duplicates will be shown (see DUPEFILTER_DEBUG to show all duplicates)
2015-05-16 14:35:57+0800 [csdn_crawler] DEBUG: Crawled (200) <GET http://blog.csdn.net/zhx6044/article/details/45649045> (referer: http://blog.csdn.net/zhx6044) 2015-05-16 14:35:57+0800 [csdn_crawler] DEBUG: Article add to mongodb database!

其可以看到其爬取了

http://blog.csdn.net/zhx6044/article/details/45649045

这篇文章。
大家需要注意的是，这个爬虫虽然是从你的blog开始爬取，但是你的博客页面中还会包含其它人的链接，比如在推荐文章这一栏，如图：



这是你可以在添加爬取规则时添加上限制，比如：

Rule(LinkExtractor(allow=r'zhx6044/article/details/[0-9]{1,20}'), callback='parse_article', follow=True),

就可以了，不然你会发现你的爬虫根本停不下来。

这是我爬取到的数据，文章内容有点乱。