爬虫框架开发（4）--- 项目实战——>新浪滚动新闻资讯实时数据采集

最新推荐文章于 2024-06-28 18:30:47 发布

Feng_MuJin

最新推荐文章于 2024-06-28 18:30:47 发布

阅读量2.3k

点赞数 1

分类专栏： Python 爬虫文章标签： python

本文链接：https://blog.csdn.net/qq_42029527/article/details/84348011

版权

Python 同时被 2 个专栏收录

45 篇文章 0 订阅

订阅专栏

爬虫

17 篇文章 0 订阅

订阅专栏

要求：

存储文章的标题、作者、发布时间、正文、正文中的图片链接、文章链接、文章所属分类
根据网站的实时更新(周期1分钟)进行采集
时间格式保存为"yyyy-mm-dd HH:MM:SS"
存储到mysql数据库

代码实现如下：

新浪滚动的爬虫文件：

# spiders/sina_gundong.py
import time

from scrapy_plus.core.spider import Spider
from scrapy_plus.http.request import Request
from scrapy_plus.item import Item
import js2py


class SinaGunDong(Spider):

    name = "sina_gundong"

    headers = {
        "Accept": "*/*",
        "Accept-Encoding": "gzip, deflate",
        "Accept-Language": "en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7",
        "Cache-Control": "no-cache",
        "Connection": "keep-alive",
        "Cookie": "UOR=www.google.com,www.sina.com.cn,; SGUID=1520816292777_83076650; SINAGLOBAL=211.103.136.242_1520816292.736990; SUB=_2AkMt-V_2f8NxqwJRmPEQy2vmZYx_zwjEieKbpa4tJRMyHRl-yD83qnIJtRB6BnlxGSLw2fy6O04cZUKTsCZUeiiFEsZE; SUBP=0033WrSXqPxfM72-Ws9jqgMF55529P9D9WhpFUZmqbYYLueonGrZIL2c; U_TRS1=0000001a.e268c0.5aaa0d39.35b0731a; lxlrttp=1521688012; Apache=223.72.62.219_1522208561.132697; ULV=1522208952476:6:6:3:223.72.62.219_1522208561.132697:1522208561158; U_TRS2=000000db.81c2323e.5abca69b.ad269c11; ArtiFSize=14; rotatecount=1; hqEtagMode=1",
        # "Host": "roll.news.sina.com.cn",   这里host必须禁用掉
        "Pragma": "no-cache",
        "Referer": "http://roll.news.sina.com.cn/s/channel.php?ch=01",
        "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36",
    }

    def start_requests(self):
        while True:
            # 需要发起这个请求，才能获取到列表页数据，并且返回的是一个js语句
            url = "http://roll.news.sina.com.cn/interface/rollnews_ch_out_interface.php?col=89&spec=&type=&ch=&k=&offset_page=0&offset_num=0&num=120&asc=&page=1&r=0.5559616678192825"
            yield Request(url, parse='parse', filter=False)
            time.sleep(60)     # 每60秒发起一次请求

    def parse(self, response):
        '''响应体数据是js代码'''
        # 使用js2py模块，执行js代码，获取数据
        ret = js2py.eval_js(response.body.decode("gbk"))    # 对网站分析发现，数据编码格式是gbk的，因此需要先进行解码
        for news in ret.list:    #
            yield Request(news["url"], headers=self.headers, parse='parse_detail', meta={"type": news["channel"]["title"]})

    def parse_detail(self, response):
        response.body = response.body.decode("utf-8")    # 部分页面无法正确解码，因此在这里手动进行解码操作
        title = response.xpath("//h1[@class='main-title']/text()")[0]
        pub_date = response.xpath("//span[@class='date']/text()")[0]
        try:
            author = response.xpath("//div[@class='date-source']//a/text()")[0]    # 由于作者的提取，有两种格式，因此这里使用一个异常捕获来进行判断
        except IndexError:
            author = response.xpath("//div[@class='date-source']//span[contains(@class,'source')]/text()")[0]
        content = response.xpath("//div[@class='article']//text()")    # 多个  每一个代表一段
        image_links = response.xpath("//div[@class='article']//img/@src")    # 图片链接有多个

        yield Item({
            "content": content,    # 正文
            "image_links":image_links,    # 图片链接
            "title": title,    # 标题
            "pub_date":pub_date,    # 发布日期
            "author": author,    # 作者
            "url": response.url,    # 文章链接
            "type": response.request.meta["type"],    # 文章所属分类
        }
    )

项目中新建db.py

# 项目文件夹下db.py
# 依赖：sqlalchemy  pymysql
from sqlalchemy import Column,Integer,Text,DateTime, String
from sqlalchemy.ext.declarative import declarative_base

# 创建对象的基类:
Base = declarative_base()


class Model(Base):
    __tablename__ = 'sina_news'

    id = Column(Integer, primary_key=True, autoincrement=True)    # 主键id
    title = Column(String(100), nullable=False)    # 标题
    author = Column(String(20), nullable=False)    # 作者
    pub_date = Column(DateTime, nullable=False)    # 发布时间
    content = Column(Text, nullable=False)    # 正文
    image_links = Column(Text, nullable=False)    # 图片链接
    url = Column(String(500), nullable=False)    # 文章链接
    type = Column(String(6), nullable=False)    # 文章分类
    news_tag = Column(String(40), nullable=False)    # 文章去重标记

管道文件：

# 项目下管道文件 pipelines.py

import json
from datetime import datetime
from hashlib import sha1

from sqlalchemy import create_engine
from sqlalchemy.orm import sessionmaker
from scrapy_plus.core.scheduler import utf8_string

from db import Base, Model


class Pipeline(object):
    '''数据入库前的清洗和格式化处理'''

    def process_item(self, item, spider):
        item.data['pub_date'] = datetime.strptime(item.data['pub_date'], '%Y年%m月%d日 %H:%M') # 将时间格式进行一个处理，转换为datetime类型
        item.data['content'] = [i for i in item.data['content'] if i.strip()]    # 去掉content中的空白字符
        item.data['content'] = "\n\n".join(item.data["content"])
        item.data['image_links'] = json.dumps(item.data['image_links'])  # 列表转换为json字符串
        # 数据去重标识生成：利用标题、作者、文章链接生成唯一key
        s1 = sha1()
        s1.update(utf8_string(item.data['title']))
        s1.update(utf8_string(item.data['author']))
        s1.update(utf8_string(item.data['url']))
        item.data['news_tag'] = s1.hexdigest()    # 数据去重标识
        return item


class MysqlPipeline(object):

    def __init__(self):
        # 建立数据库链接
        self.conn = create_engine("mysql+pymysql://root:ryoma@127.0.0.1/test3?charset=utf8")
        Base.metadata.create_all(bind=self.conn)    # 创建表，如果有，就不在创建

    def _get_session(self):
        # 创建session对象
        Session = sessionmaker(bind=self.conn)
        return Session()

    def process_item(self, item, spider):
        session = self._get_session()   # 获取session
        # 先判断news_tag是否已经存在：如果存在，代表数据是重复的，否则才插入
        if not session.query(Model).filter_by(news_tag=item.data['news_tag']).all():
            obj = Model(**item.data)    # 创建模型类对象
            session.add(obj)    # 插入数据
            session.commit()    # 提交
        session.close() # 关闭session
        return item

项目配置文件:

# 更改默认的配置
DEFAULT_LOG_FILENAME = '滚动新闻采集.log'    # 默认日志文件名称


SPIDERS = [
    "spiders.sina.SinaGunDong"
]

PIPELINES = [
    "pipelines.Pipeline",
    "pipelines.MysqlPipeline"
]

SPIDER_MIDS = [
]

DOWNLOADER_MIDS = [
]

# 控制最大并发数
MAX_ASYNC_NUMBER = 1

# 异步模式  thread， coroutine
ASYNC_TYPE = 'thread'

'''分布式配置'''

# 执行角色
# None 代表非分布式，发起初始请求(_start_requests)， 处理请求(_execute_request_response_item)
# master代表主，只负责发起初始请求(_start_requests)，并维护请求队列
# slave代表从，只负责处理请求(_execute_request_response_item)
# ROLE = 'master'
# ROLE = 'slave'
ROLE = None

# 最大重试次数
MAX_RETRY_TIMES = 3

# redis 队列的配置
REDIS_QUEUE_NAME = 'request_queue'
REDIS_QUEUE_HOST = 'localhost'
REDIS_QUEUE_PORT = 6379
REDIS_QUEUE_DB = 10

# reids 集合配置
REDIS_SET_NAME = 'filter_container'
REDIS_SET_HOST = 'localhost'
REDIS_SET_PORT = 6379
REDIS_SET_DB = 10

# 利用redis进行请求备份 的配置
REDIS_BACKUP_NAME = 'request_backup'
REDIS_BACKUP_HOST = 'localhost'
REDIS_BACKUP_PORT = 6379
REDIS_BACKUP_DB = 10