python實現(xiàn)Scrapy爬取網(wǎng)易新聞

更新時間：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，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

1. 新建項目

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

在這里插入圖片描述

然后就自動創(chuàng)建了相應的文件，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，比如新聞標題，url，時間，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crawl爬蟲模板（注意在文件的根目錄下面，指令檢查別輸入錯誤，-t 表示使用后面的crawl模板），會在spider文件夾生成一個news163.py文件

scrapy genspider -t crawl codingce news.163.com

然后看一下這個‘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 補充知識：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/)

//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，確認我們可以獲取到itmes.py文件的內(nèi)容（其實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）

確認標題、時間、url、來源url和內(nèi)容可以通過檢查和標簽對應上，比如正文部分

主體

在這里插入圖片描述

標題

在這里插入圖片描述

時間

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 導入包

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

注意：使用的類ExampleSpider一定要繼承自CrawlSpider，因為最開始我們創(chuàng)建的就是一個‘crawl'的爬蟲模板，對應上

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allow里面是書寫正則表達式的（也是我們核心要輸入的內(nèi)容），第二個是回調(diào)函數(shù)，第三個表示是否允許深入

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