Scrapy框架,腾讯新闻爬取
**本篇文章应用软件:Navicat Premium 15,MySQL,pycharm
注:这里直接将爬取到的数据进行存储数据库的操作,所以在newsqq下自行创建了mysql包将items与pipelines写入在其中如下图
创建工程命名newsqq
可在pycharm下终端进行
1.1使用命令创建 scrapy 工程
scrapy startproject newsqq
cd 进入newsqq里面
1.2新建爬虫主文件
scrapy genspider news qq.com
在 spiders/目录下新建news.py主要开始进行页面的解析;
(1)导入爬虫运行所需的包
import json
from scrapy import Request
from scrapy import Spider
from newsqq.mysql.NewsmysqlItem import NewsmysqlItem
(2)修改起始url
class NewsSpider(Spider):
name = 'news'
allowed_domains = ['qq.com']
start_urls = ['https://i.news.qq.com/trpc.qqnews_web.kv_srv.kv_srv_http_proxy/list?sub_srv_id=milite&srv_id=pc&offset=0&limit=20&strategy=1&ext={%22pool%22:[%22top%22],%22is_filter%22:10,%22check_type%22:true}']
注意:先按F12,点击网络标签,找到搜索按钮在搜索框输入你想要得到的字段,进行搜索发现内容是以json格式写入,则需得到json格式的url,点击消息头得到所需要的url
图一:
图二:
(3)重写 scrapy 内部函数 def parse(self, response):获取起始url返回的 response 对象,提取返回的 json 数据,进行主页的title遍历,解析出来的 json 数据传递到 item 对象。 提取的字段有title,构建出新的url,传递到下一函数。
def parse(self, response):
result = json.loads(response.text)['data']['list']
for data in result:
title = data['title']
print(title)
url = data['url']
item = NewsmysqlItem()
item['title'] = title
yield Request(url=url,callback=self.parse_detail,meta={'item':item})
注意:这里因为动态新闻以json格式编写所以我们当前所发起的url响应为json格式标签页,然后根据内容所存放标签进行爬取。
**使用 Request()方法,进行 post 请求 url,其中参数 callback 表示请求 url 之后执行的下一个方法函数,meta字典进行当前title内容存储传递给下一函数保存。
(4)自定义函数def parse_detail(self,response);获取上一函数返回的 response 对象,获取meta字典所传递数据。
def parse_detail(self, response):
content = response.xpath('/html/body/div[3]/div[1]/div[1]/div//text()').extract()
content = ''.join(content)
item = response.meta['item']
item['content'] = content
yield item
解析:通过response发起响应使用xpath选择器找到对应文章内容进行获取
**正则,xpath,css的使用方法:正则表达式,xpath,css的讲解
‘’.join(content)表示重写字符串,最后将item回调给管道进行数据库存储。
1.2.1爬虫完整代码
import json
from scrapy import Request
from scrapy import Spider
from newsqq.mysql.NewsmysqlItem import NewsmysqlItem
class NewsSpider(Spider):
name = 'news'
allowed_domains = ['qq.com']
start_urls = ['https://i.news.qq.com/trpc.qqnews_web.kv_srv.kv_srv_http_proxy/list?sub_srv_id=milite&srv_id=pc&offset=0&limit=20&strategy=1&ext={%22pool%22:[%22top%22],%22is_filter%22:10,%22check_type%22:true}']
def parse(self, response):
result = json.loads(response.text)['data']['list']
for data in result:
title = data['title']
print(title)
url = data['url']
item = NewsmysqlItem()
item['title'] = title
yield Request(url=url,callback=self.parse_detail,meta={'item':item})
def parse_detail(self, response):
content = response.xpath('/html/body/div[3]/div[1]/div[1]/div//text()').extract()
content = ''.join(content)
item = response.meta['item']
item['content'] = content
yield item
1.3 修改项目 item.py 文件
将爬虫提取的结构化数据映射到对象中
import scrapy
class NewsmysqlItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
content = scrapy.Field()
1.4修改项目 pipeline.py 文件
注意:当前在mysql下进行存储。
首先需要在mysql数据库内创建news数据库,创建好对应字段的表格。并且连接数据库。并将进入数据库所需要的地址用户及密码等写入管道,最终实现数据的存储。
import pymysql
class MySQLPipeline:
def __init__(self):
self.connect =pymysql.connect(
host='127.0.0.1',
port=3306,
db='news',
user='root',
password='root',
charset='utf8',
use_unicode=True
)
self.cursor = self.connect.cursor()
def process_item(self, item, spider):
self.cursor.execute(
"""insert into newsqq(title,content)
value(%s,%s)""",
(item['title'],
item['content']
))
self.connect.commit()
return item
1.5修改项目 settings.py 文件
激活 scrapy 的 pipeline 功能,禁用 ROBOT 规则,加入请求头,如果不想看日志还可将日志文件关闭。
BOT_NAME = 'newsqq'
SPIDER_MODULES = ['newsqq.spiders']
NEWSPIDER_MODULE = 'newsqq.spiders'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36 Edg/94.0.992.50'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
LOG_LEVEL = 'WARNING'
ITEM_PIPELINES = {
'newsqq.mysql.MySQLPipeline.MySQLPipeline': 300,
}
1.6查看结果
新建一个main.py,写入爬虫运行环境。
from scrapy.cmdline import execute
import sys
import os
sys.path.append(os.path.dirname(os.path.abspath(__file__)));
execute(["scrapy","crawl","news"])
最后在main中点击run运行爬虫,查看数据库是否有数据导入。
除此之外爬虫运行命令为:
正常运行在终端:scrapy crawl news
将爬虫以csv格式存储:scrapy crawl news -o xxx.csv
如果觉得文章不错记得点赞哟~~