阅读 230

【Python实现网络爬虫】Scrapy爬取网易新闻

1. 新建项目

在命令行窗口下输入scrapy startproject scrapytest, 如下

在这里插入图片描述 然后就自动创建了相应的文件,如下

在这里插入图片描述

2. 修改itmes.py文件

打开scrapy框架自动创建的items.py文件,如下

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class ScrapytestItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    pass
复制代码

编写里面的代码,确定我要获取的信息,比如新闻标题,url,时间,来源,来源的url,新闻的内容等

class ScrapytestItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()

    title = scrapy.Field()
    timestamp = scrapy.Field()
    category = scrapy.Field()
    content = scrapy.Field()
    url = scrapy.Field()
    
    pass
复制代码

3. 定义spider,创建一个爬虫模板

3.1 创建crawl爬虫模板

在命令行窗口下面 创建一个crawl爬虫模板(注意在文件的根目录下面,指令检查别输入错误,-t 表示使用后面的crawl模板),会在spider文件夹生成一个news163.py文件 scrapy genspider -t crawl codingce news.163.com

然后看一下这个‘crawl’模板和一般的模板有什么区别,多了链接提取器还有一些爬虫规则,这样就有利于我们做一些深度信息的爬取

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class CodingceSpider(CrawlSpider):
    name = 'codingce'
    allowed_domains = ['163.com']
    start_urls = ['http://news.163.com/']

    rules = (
        Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        item = {}
        #item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
        #item['name'] = response.xpath('//div[@id="name"]').get()
        #item['description'] = response.xpath('//div[@id="description"]').get()
        return item
复制代码

3.2 补充知识:selectors选择器

支持xpath和css,xpath语法如下

/html/head/title

/html/head/title/text()

//td (深度提取的话就是两个/)

//div[@class=‘mine’]
复制代码

3.3. 分析网页内容

在谷歌chrome浏览器下,打在网页新闻的网站,选择查看源代码,确认我们可以获取到itmes.py文件的内容(其实那里面的要获取的就是查看了网页源代码之后确定可以获取的)

确认标题、时间、url、来源url和内容可以通过检查和标签对应上,比如正文部分

www.163.com/dy/article/…

主体

在这里插入图片描述

标题

在这里插入图片描述

时间

在这里插入图片描述

分类

在这里插入图片描述

4. 修改spider下创建的爬虫文件

4.1 导入包

打开创建的爬虫模板,进行代码的编写,除了导入系统自动创建的三个库,我们还需要导入news.items(这里就涉及到了包的概念了,最开始说的–init–.py文件存在说明这个文件夹就是一个包可以直接导入,不需要安装)

注意:使用的类ExampleSpider一定要继承自CrawlSpider,因为最开始我们创建的就是一个‘crawl’的爬虫模板,对应上

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapytest.items import ScrapytestItem


class CodingceSpider(CrawlSpider):
    name = 'codingce'
    allowed_domains = ['163.com']

    start_urls = ['http://news.163.com/']

    rules = (
        Rule(LinkExtractor(allow=r'.*\.163\.com/\d{2}/\d{4}/\d{2}/.*\.html'), callback='parse', follow=True),
    )

    def parse(self, response):
        item = {}
        content = '<br>'.join(response.css('.post_content p::text').getall())
        if len(content) < 100:
            return

        return item
复制代码

Rule(LinkExtractor(allow=r'..163.com/\d{2}/\d{4}/\d{2}/..html'), callback='parse', follow=True), 其中第一个allow里面是书写正则表达式的(也是我们核心要输入的内容),第二个是回调函数,第三个表示是否允许深入

最终代码

from datetime import datetime
import re

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapytest.items import ScrapytestItem


class CodingceSpider(CrawlSpider):
    name = 'codingce'
    allowed_domains = ['163.com']

    start_urls = ['http://news.163.com/']

    rules = (
        Rule(LinkExtractor(allow=r'.*\.163\.com/\d{2}/\d{4}/\d{2}/.*\.html'), callback='parse', follow=True),
    )

    def parse(self, response):
        item = {}
        content = '<br>'.join(response.css('.post_content p::text').getall())
        if len(content) < 100:
            return

        title = response.css('h1::text').get()

        category = response.css('.post_crumb a::text').getall()[-1]
        print(category, "=======category")
        time_text = response.css('.post_info::text').get()
        timestamp_text = re.search(r'\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}', time_text).group()
        timestamp = datetime.fromisoformat(timestamp_text)
        print(title, "=========title")
        print(content, "===============content")
        print(timestamp, "==============timestamp")
        print(response.url)
        return item
复制代码

项目地址:gitee.com/codingce/co…

文章分类
阅读
文章标签