新闻平台聚合之新浪新闻爬虫发布

idea of startproject

1. 对于 web 开发者而言，目前各大新闻门户网站，新浪新闻，百度新闻，腾讯新闻，澎湃新闻，头条新闻并没有提供稳定可用的 feed api。

2. 对于 nlper，缺乏足够的新闻语料数据集来供训练。

3. 对于新闻传播/社会学/心理学等从业者，缺乏获取新闻数据的简单易用途径来供分析。

4. 如果上面三点是某见识所限，其实并不存在的话，第 4 点，则是某的私心，某以为互联网的记忆太短了，热搜一浪盖过一浪，所以试图定格互联网新闻的某些瞬间，最后会以网站的形式发布出来。

project 的 Github：https://github.com/Python3Spiders/AllNewsSpider

继承自 新闻平台聚合之腾讯新闻爬虫发布
，本篇是新闻系列的第三篇，以新浪新闻为目标网站

新浪新闻爬虫

该爬虫实现的主要功能罗列如下：

1. 全自动爬取新浪新闻全站新闻内容，包括 娱乐、军事、科技、财经 四大 category。
2. 可以自定义输入爬取的最大页码，默认是 20 页
3. 字段信息齐全，如下表格

字段名	字段含义
recode_time	该条新闻被抓取的时间
news_title	新闻标题
news_summary	新闻概括
news_url	新闻链接
news_author	新闻作者
news_keywords	新闻关键词，以 ；分隔
news_time	新闻发布的时间
news_content	新闻具体内容

再说说如何使用（默认读者均有 python3.6+ 环境）

1. 将仓库 sina 文件夹下的 sina_news_spider.pyd 文件下载到本地，新建项目，把 pyd 文件放进去

2. 项目根目录下新建 runner.py，写入以下代码即可运行并抓取

   import sina_news_spider
   sina_news_spider.main()
   

开始运行时会提示输入爬取到哪一页，默认是 20 页

爬取结束了，会在当前目录下生成一个 新浪新闻.xlsx文件，里面保持了四个 category 的所有网站上可浏览的文本新闻，一个 category 对应一个 sheet_name。

本系列预告

1、nytimes 纽约时报爬虫

2、thetimes 泰晤士报爬虫

阅读原文即可直达该爬虫的 Github 地址。