快捷導(dǎo)航

python實(shí)現(xiàn)Scrapy爬取網(wǎng)易新聞

更新時(shí)間：2021年03月21日 10:45:45 作者：后端碼匠

這篇文章主要介紹了python實(shí)現(xiàn)Scrapy爬取網(wǎng)易新聞，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

1. 新建項(xiàng)目

在命令行窗口下輸入scrapy startproject scrapytest, 如下

在這里插入圖片描述

然后就自動(dòng)創(chuàng)建了相應(yīng)的文件，如下

在這里插入圖片描述

2. 修改itmes.py文件

打開scrapy框架自動(dòng)創(chuàng)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

編寫里面的代碼，確定我要獲取的信息，比如新聞標(biāo)題，url，時(shí)間，來源，來源的url，新聞的內(nèi)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

3. 定義spider，創(chuàng)建一個(gè)爬蟲模板

3.1 創(chuàng)建crawl爬蟲模板

在命令行窗口下面創(chuàng)建一個(gè)crawl爬蟲模板（注意在文件的根目錄下面，指令檢查別輸入錯(cuò)誤，-t 表示使用后面的crawl模板），會(huì)在spider文件夾生成一個(gè)news163.py文件

scrapy genspider -t crawl codingce news.163.com

然后看一下這個(gè)‘crawl'模板和一般的模板有什么區(qū)別，多了鏈接提取器還有一些爬蟲規(guī)則，這樣就有利于我們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

3.2 補(bǔ)充知識(shí)：selectors選擇器

支持xpath和css,xpath語法如下

/html/head/title

/html/head/title/text()

//td (深度提取的話就是兩個(gè)/)

//div[@class=‘mine']

3.3. 分析網(wǎng)頁內(nèi)容

在谷歌chrome瀏覽器下，打在網(wǎng)頁新聞的網(wǎng)站，選擇查看源代碼，確認(rèn)我們可以獲取到itmes.py文件的內(nèi)容（其實(shí)那里面的要獲取的就是查看了網(wǎng)頁源代碼之后確定可以獲取的）

確認(rèn)標(biāo)題、時(shí)間、url、來源url和內(nèi)容可以通過檢查和標(biāo)簽對(duì)應(yīng)上，比如正文部分

主體

在這里插入圖片描述

標(biāo)題

在這里插入圖片描述

時(shí)間

在這里插入圖片描述

分類

在這里插入圖片描述

4. 修改spider下創(chuàng)建的爬蟲文件

4.1 導(dǎo)入包

打開創(chuàng)建的爬蟲模板，進(jìn)行代碼的編寫，除了導(dǎo)入系統(tǒng)自動(dòng)創(chuàng)建的三個(gè)庫(kù)，我們還需要導(dǎo)入news.items(這里就涉及到了包的概念了，最開始說的–init–.py文件存在說明這個(gè)文件夾就是一個(gè)包可以直接導(dǎo)入，不需要安裝)

注意：使用的類ExampleSpider一定要繼承自CrawlSpider，因?yàn)樽铋_始我們創(chuàng)建的就是一個(gè)‘crawl'的爬蟲模板，對(duì)應(yīng)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

Rule(LinkExtractor(allow=r'..163.com/\d{2}/\d{4}/\d{2}/..html'), callback=‘parse', follow=True), 其中第一個(gè)allow里面是書寫正則表達(dá)式的（也是我們核心要輸入的內(nèi)容），第二個(gè)是回調(diào)函數(shù)，第三個(gè)表示是否允許深入

最終代碼

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

到此這篇關(guān)于python實(shí)現(xiàn)Scrapy爬取網(wǎng)易新聞的文章就介紹到這了,更多相關(guān)python Scrapy爬取網(wǎng)易新聞內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: