入门级新闻爬虫

区块链资讯爬虫项目

项目需求分析

项目目标网站

链得得： http://www.chaindd.com/
金色财经: https://www.jinse.com
巴比特： http://www.8btc.com/news

爬虫目标分析

1，链得得和金色财经首页结构相对简单，资讯新闻的爬取特征明显。无需太多特殊抓取方法。
2，巴比特首页广告和外链较多，经过分析直接抓取新闻页。
3，3大网站都是动态网站，资讯需要通过selenium进行动态抓取
4，对于那些时效性不强的老旧资讯，可以适当地舍弃。只抓取发布时间较新地资讯

爬虫存储结构（数据库）

_id             : 唯一标识
spider_time     : 采集时间
news_link       ：新闻原链接
news_img        ：新闻原首页图
news_title      ：新闻原标题
news_author     ：作者
news_time       ：来源发布时间（可能需要增加一个本地发布时间）
news_keyword    ：关键字
news_source     ：来源媒体
news_synopsis   ：简介
news_content    ：正文
status          ：后台使用
category_id     : 后台使用
news_md5        : 正文md5值

爬虫开发说明

1，爬虫目标链接：['http://www.8btc.com/news','http://www.chaindd.com','https://www.jinse.com/']

2，利用selenium模拟浏览器访问，获取首页源代码，通过beautifulsoup获取HTML代码结构，并分析抓取最新资讯正文地链接地址列表。get_html_code方法

3，将取到地正文地址列表和数据库中地链接地址比对，筛选出没有抓取的正文。links_changed方法。

4，获取列表后再将每个正文地址传入get_html_code获取正文页源代码,在获取前会使用http_status判断链接是否可用

5，利用正则表达式和其他工具编写news_page_info方法，提取需要资源。并通过string_format，filter_html_tags方法过滤一些不必须要地html代码和信息。

6，将正文内容传入update_news_info方法，更新到数据库

7，8btc的网站使用正文MD5值去对比，从而判断新闻是否采集。

爬虫程序测试

暂无（已在服务器正常运行一周时间无报错，工作日每小时基本都有5条左右资讯）

PS: 项目地址：https://github.com/sylarjiang/spider
过几天有空了准备用scrapy改写

转载于:https://www.cnblogs.com/ops-sylar/p/9496097.html