网易新闻数据爬取
手动反爬虫：原博地址
知识梳理不易，请尊重劳动成果，文章仅发布在CSDN网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息
如若转载，请标明出处，谢谢！
1. 新建项目
在命令行窗口下输入scrapy startproject news,如下
然后就自动创建了相应的文件，如下
关于每一个文件的作用，上一个博客上有详细介绍，可以回头看一下
2. 修改itmes.py文件
打开scrapy框架自动创建的items.py文件，如下
编写里面的代码，确定我要获取的信息，比如线程，新闻标题，url，时间，来源，来源的url，新闻的内容等
import scrapy
class NewsItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
news_thread = scrapy.Field()
news_title = scrapy.Field()
news_url = scrapy.Field()
news_time = scrapy.Field()
news_source = scrapy.Field()
source_url = scrapy.Field()
news_body = scrapy.Field()
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，指令执行会在spider文件夹生成一个news163.py文件
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，news163为爬虫文件名称，最后的news.163.com为网易新闻域名
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自动化爬取
3.2 xpath选择器
支持xpath和css，其中css选择器之前的爬虫案例中介绍过了，这里是补充xpath的操作，xpath语法如下
① 手写输入的：
/html/head/title 定位标题
/html/head/title/text() 提取标题内容
//td (深度提取的话就是两个/) 直接定位td标签
//div[@class='mine'] 定义带有mine属性的div标签
② 手动copy的：
直接定位某一具体位置的标签信息，往往复制粘贴之后使用的是相对路径，即//开头，后面再接标签相关信息，比如的内容copy之后，粘贴的内容为：//*[@id="js_top_news"]/div[2]/ul/li[2]/a
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
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 news.items import NewsItem
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class New163Spider(CrawlSpider):
name = 'new163'
allowed_domains = ['new163.com']
start_urls = ['http://new163.com/']
rules = (
Rule(LinkExtractor(allow=r'/18/04\d+/*'), callback='parse_news', 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
Rule(LinkExtractor(allow=r’/18/04\d+/*’), callback=‘parse_news’, 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
4.2 正则表达式的简单介绍
系统的介绍会在爬虫专项里面进行讲解，这里介绍一些基础性的可以用在这个项目里面的知识点,，正则表达式是由字符和操作符组成的，常见的语法如下图
记住一个：“.*?” 惰性匹配，匹配成功一次即可， 几乎可以解决大部分的问题，还有一些需要我们自己动手编写
对比新闻的标签，如下
第一个新闻的url是：“https://news.163.com/20/0204/17/F4IDMINL000189FH.html”
第二个新闻的url是：“https://news.163.com/20/0204/07/F4HC2QS90001899O.html”
…
可以看出规律，因此正则表达式可以按照下面这样写
rules = (
Rule(LinkExtractor(allow=r'https://news.163.com/20/0204/\d+/.*?html'), callback='parse_item', follow=True),
)
然后在命令行窗口运行指令：scrapy crawl news163
输出结果为：请求返回200，代表请求成功
4.3 回调函数
parse_item是我们要设置的回调函数，先处理两个较为简单的获取内容，获取thread（去掉网址的后五个字符的内容）和title（一般就是网页源代码的一个title标签里的内容），代码设置如下
def parse_item(self, response):
item = NewsItem()
item['news_thread'] = response.url.strip().split("/")[-1][:-5]
self.get_title(response,item)
return item
def get_title(self,response,item):
title = response.css('title::text').extract()
if title:
print("title:{}".format(title[0]))
item['news_title'] = title[0]
保存后运行命令行窗口，输出如下
然后再获取时间，在页面中选择检查，找到新闻时间对应的源代码中的标签信息，然后采用css选择器，找到该标签信息，如下
获取新闻时间的代码如下，time后面的内容就是属于字符串处理的方式了，目的是为了获得正常格式的时间数据
self.get_time(response,item) #这个代码要放在回调函数里面
def get_time(self,response,item):
time = response.css('div.post_time_source::text').extract()
if time:
print('time:{}'.format(time[0].strip().replace("来源","").replace('\u3000:',"")))
item['news_time'] = time[0].strip().replace("来源","").replace('\u3000:',"")
输出结果为：
接下来获取新闻来源，查看网页源代码，发现新闻来源是存储id标签下面，直接就可以进行标签的查找锁定（id唯一）
获取新闻来源的代码如下
self.get_source(response,item) #这个代码要放在回调函数里面
def get_source(self,response,item):
source = response.css("ne_article_source::text").extract()
if source:
print("source:{}".format(source[0]))
item['news_source'] = source[0]
获取新闻原文URL的方式也是类似，这里直接给出代码（注意这里不是获取id标签的文本内容了，而是属性）
self.get_source_url(response,item)
def get_source_url(self,response,item):
source_url = response.css("ne_article_source::attr(href)").extract()
if source_url:
print("source_url:{}".format(source_url[0]))
item['source_url'] = source_url[0]
获取新闻内容 ，也是直接给出参考代码如下
self.get_text(response,item)
def get_text(self,response,item):
text = response.css(".post_text p::text").extract()
if text:
print("text:{}".format(text))
item['news_body'] = text
获取新闻URL（最初的那个），也是直接给出参考代码如下
self.get_url(response,item)
def get_url(self,response,item):
url = response.url
if url:
item['news_url'] = url
至此news163.py的全部代码编写如下：
import scrapy
from news.items import NewsItem
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
#https://news.163.com/20/0205/06/F4JOHHEJ0001899O.html
#https://news.163.com/20/0205/08/F4JVQU6P000189FH.html
class News163Spider(CrawlSpider):
name = 'news163'
allowed_domains = ['news.163.com']
start_urls = ['http://news.163.com/']
rules = (
Rule(LinkExtractor(allow=r'https://news.163.com/20/0205/\d+/.*?html'), callback='parse_item', follow=True),
)
def parse_item(self, response):
item = NewsItem()
item['news_thread'] = response.url.strip().split("/")[-1][:-5]
self.get_title(response,item)
self.get_time(response,item)
self.get_source(response,item)
self.get_source_url(response,item)
self.get_text(response,item)
self.get_url(response,item)
return item
def get_url(self,response,item):
url = response.url
if url:
item['news_url'] = url
def get_text(self,response,item):
text = response.css(".post_text p::text").extract()
if text:
print("text:{}".format(text))
item['news_body'] = text
def get_source_url(self,response,item):
source_url = response.css("ne_article_source::attr(href)").extract()
if source_url:
#print("source_url:{}".format(source_url[0]))
item['source_url'] = source_url[0]
def get_source(self,response,item):
source = response.css("ne_article_source::text").extract()
if source:
print("source:{}".format(source[0]))
item['news_source'] = source[0]
def get_time(self,response,item):
time = response.css('div.post_time_source::text').extract()
if time:
print('time:{}'.format(time[0].strip().replace("来源","").replace('\u3000:',"")))
item['news_time'] = time[0].strip().replace("来源","").replace('\u3000:',"")
def get_title(self,response,item):
title = response.css('title::text').extract()
if title:
print("title:{}".format(title[0]))
item['news_title'] = title[0]
保存后，运行命令行输出如下（ 注意、注意、注意， 在调试的过程中不要频繁的运行这个指令，否则会导致服务器无法访问），只截取部分输出结果
5. 修改pipeline文件下的内容
5.1 导入csv文件储存包
要将数据储存在本地，需要以一种格式作为储存的条件，逗号分隔符（csv）文件就可以满足这种要求，而且也是现在主要存储数据的工具
from scrapy.exporters import CsvItemExporter
5.2 定义进程函数
首先从初始化函数，包含了创建收集数据的文件和项目启动器
def __init__(self):
self.file = open('news_data.csv', 'wb')
self.exporter = CsvItemExporter(self.file, encoding = 'utf-8')
self.exporter.start_exporting()
其次，定义爬虫结束器，进行项目的收尾工作，把进程和文件都关闭掉，防止内存溢出
def close_spider(self,spider):
self.exporter.finish_exporting()
self.file.close()
最后在处理函数里面，开启导入，最后返回Item
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
至此，pipeline里的代码编写就已经完成了，这时候就要在setting.py文件里面进开启pipeline通道，取消如下内容的注释，如下
最后整个pipeline.py的文件代码如下，注意检查缩进的问题（Sublime编辑器里面有讲缩进全部转换成为tab格式的选项，确保缩进一致，而且还是要注意一下网页编码的问题，否则会出现乱码的情况，encoding要根据爬取网页的编码格式设定）
from scrapy.exporters import CsvItemExporter
class NewsPipeline(object):
def __init__(self):
self.file = open('news_data.csv', 'wb')
self.exporter = CsvItemExporter(self.file, encoding = 'gbk')
self.exporter.start_exporting()
def close_spider(self,spider):
self.exporter.finish_exporting()
self.file.close()
def process_item(self, item, spider):
self.exporter.export_item(item)
return item
6. 运行结果
最后在命令行窗口，运行指令，在窗口界面出现爬取内容输出的同时，在news文件夹下也自动生成了news_data.csv文件，如下
news_data.csv文件中数据样式如下，至此整个利用Scrapy爬取网页新闻的项目就全部完结了
扫一扫
853
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
