Python实现网络爬虫，爬关键词“武汉”的百度新闻

Python实现爬虫的方式有很多种，如：直接用URLLib，使用Scrapy框架等。本次使用的是Scrapy框架实现的。

1. 选取目标网页

选取目标网页是百度新闻的首页，界面截图入如下：

2. 分析目标网页

分析目标网页主要工作有分析目标页面获取后台数据的方式，如：ajax还是后台直接返回，如果是后台直接返回数据，就开始分析返回response的DOM结构，设计Xpath表达式获取数据。
通过分析，百度新闻是属于后台直接返回的形式，不是Ajax。获取新闻路径是：

url = "https://www.baidu.com/s?rtt=1&bsst=1&cl=2&tn=news&rsv_dl=ns_pc&word=武汉&x_bfe_rqs=03E80&x_bfe_tjscore=0.508746&tngroupname=organic_news&newVideo=12&pn="

其中：
word=武汉，意思是我要看武汉相关的新闻；
pn=1，是页码的意思，这块要加一个变量，用于翻页；
其他参数先不用管。

3. Spider实现

实现代码：

# -*- coding: utf-8 -*-
import scrapy
from WHNews.items import WhnewsItem

class WhnewsSpider(scrapy.Spider):
    name = 'whnews'
    allowed_domains = ['www.baidu.com']
    url = "https://www.baidu.com/s?rtt=1&bsst=1&cl=2&tn=news&rsv_dl=ns_pc&word=武汉&x_bfe_rqs=03E80&x_bfe_tjscore=0.508746&tngroupname=organic_news&newVideo=12&pn="
    offset = 0
    start_urls = [url+str(offset)]
    headers = {
        'User-Agent': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
        "Accept-Language": "zh-CN,zh;q=0.9,en-US;q=0.5,en;q=0.3",
        "Accept-Encoding": "gzip, deflate",
        'Content-Length': '0',
        "Connection": "keep-alive"
    }
    def parse(self, response):
        OkeyWord = ',武汉,'
        NkeyWord = '武汉'
        print("*" * 100)
        newsList = response.xpath('//div[@class="result"]')
        for news in newsList:
            news_title_url = news.xpath('./h3/a/@href').extract()[0]
            news_title = news.xpath('./h3/a//text()').extract()
            news_title = ",".join(news_title).rstrip().strip().replace(OkeyWord, NkeyWord)
            item = WhnewsItem()
            item['title'] = news_title
            item['url'] = news_title_url
            publisherAndReleaseTime = ",".join(news.xpath('.//p[@class="c-author"]//text()').extract())
            publisherAndReleaseTimeList = publisherAndReleaseTime.split("\xa0\xa0")
            publisher = publisherAndReleaseTimeList[0]
            item['publisher'] = str(publisher).replace(",", "").strip()
            releaseTime = publisherAndReleaseTimeList[1]
            item['releaseTime'] = str(releaseTime).replace("\t", "").strip()
            item['pageIndex'] = self.offset
            print("+"*100)
            yield item
        if self.offset <= 600:
            self.offset = self.offset + 10
        #print("response text: %s" % response.text)
        #print("response headers: %s" % response.headers)
        #print("response meta: %s" % response.meta)
        #print("request headers: %s" % response.request.headers)
        #print("request cookies: %s" % response.request.cookies)
        #print("request meta: %s" % response.request.meta)
        print("*" * 100)
        yield scrapy.Request(self.url + str(self.offset), headers=self.headers ,callback=self.parse)
        

4. items实现

实现代码

# -*- coding: utf-8 -*-
import scrapy

class WhnewsItem(scrapy.Item):
    #标题
    title = scrapy.Field()
    #发布时间
    releaseTime = scrapy.Field()
    #发布者
    publisher = scrapy.Field()
    #链接
    url = scrapy.Field()
    #页码
    pageIndex = scrapy.Field()

5. pipelines实现

实现代码

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
import MySQLdb
class WHNewsPipeline(object):
    #功能：保存item数据 
    def __init__(self):
        print("Pipeline Initialization complete")

    def process_item(self, item, spider):
        db = MySQLdb.connect("localhost","root","sa","spider")
        cursor = db.cursor()
        db.set_character_set('utf8')
        cursor.execute('SET NAMES utf8;')
        cursor.execute('SET CHARACTER SET utf8;')
        cursor.execute('SET character_set_connection=utf8;')
        
        query_sql = "select count(*) from `whnews` t where t.title = '%s'" %(item['title'])
        
        cursor.execute(query_sql)
        
        count = cursor.fetchone()
        
        print(count[0])
        
        if count[0] == 0:
            insert_sql = "INSERT INTO `whnews` (     \
                        `title`,     \
                        `releaseTime`,         \
                        `publisher`,         \
                        `url`, \
                        `pageIndex` \
                    )\
                    VALUES\
                        (\
                            '%s',\
                            '%s',\
                            '%s',\
                            '%s',\
                            '%s'\
                        )"%(item['title'],
                            item['releaseTime'],
                            item['publisher'],
                            item['url'],
                            item['pageIndex']
                            )
            try:
                #print(sql)
                cursor.execute(insert_sql)
                db.commit()
            except MySQLdb.Error:
                print("some error occured")
            db.close()
        else:
            print(item['title']+" is  repeat!")
            
        return item

    def close_spider(self, spider):
        print("close spider")

6. 结果展示

这次是将爬取的新闻信息保存到mysql数据库中，新闻的详细信息保存URL。下一步计划开始数据分析，引用场景如：舆情分析，负面舆论追溯等
截图：

7.总结

总体比较顺利，中间需要注意的点如下：

1.设计Xpath表达式获取结果
获取后台Response后，设计xpath表达式是难点，需要非常熟悉xpath表达式的语法。
2. 后台URL分析
浏览器抓包后，在无数的资源路径中准确的获取后台的URL。
3. robots设置
百度新闻的robots设置是禁爬的，所有需要对爬虫进行设置才可以。因为我们对爬取结果完全是个人使用，这里就无所谓了。但是爬虫的运行频率，间隔还是要设置恰当，避免太快。
4. 失望的结果
抛开技术层面，从新闻层面看我们获取的结果，个人觉得内容质量很差。