前言:
此时咱们对“python爬取新闻网站标题和内容”大概比较关注,同学们都需要学习一些“python爬取新闻网站标题和内容”的相关资讯。那么小编也在网摘上汇集了一些有关“python爬取新闻网站标题和内容””的相关内容,希望姐妹们能喜欢,朋友们一起来了解一下吧!【背景】
今天使用Scrapy来爬取某网站热点新闻榜单,因可能的版权原因,里面的数据和网址都做了脱敏处理。
要爬取的新闻热点排行页面如下:
爬下来的数据如下所示:
数据分别是:序号、热点标题、热点内容、热点URL链接、热点排行、热度值
图片和数据对应不上的原因是,热点新闻的截图是我写博客的时候才截图的,数据是前几天爬取的。
在这之前我们先了解一下什么是Scrapy
Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架,用途非常广泛
框架的力量,用户只需要定制开发几个模块就可以轻松的实现一个爬虫,用来抓取网页内容以及各种图片,非常之方便
Scrapy 使用了 Twisted’twɪstɪd异步网络框架来处理网络通讯,可以加快我们的下载速度,不用自己去实现异步框架,并且包含了各种中间件接口,可以灵活的完成各种需求
一、安装Scrapy
执行pip命令安装
pip install scrapy
二、生成爬虫框架
执行以下命令
scrapy startproject baidu_spider
生成的框架如下所示:
各文件功能分别是:scrapy.cfg:配置文件spiders:存放你Spider文件,也就是你爬取的py文件items.py:相当于一个容器,和字典较像middlewares.py:定义Downloader Middlewares(下载器中间件)和Spider Middlewares(蜘蛛中间件)的实现pipelines.py:定义Item Pipeline的实现,实现数据的清洗,储存,验证。settings.py:全局配置
三、生成爬虫
执行以下命令初始化爬虫程序
scrapy genspider baidu baidu.com
结果如下
四、补全代码
在settings.py中增加如下配置项
ITEM_PIPELINES = { "baidu_spider.pipelines.BaiduSpiderPipeline": 300, "baidu_spider.pipelines.BaiduSpiderPrintPipeline": 200}MYSQL_HOST='localhost'MYSQL_USER='xxxx'MYSQL_PWD='xxxx'MYSQL_DB='xxxx'MYSQL_CHARSET='utf8'
pipelines对应的是两个解析后的网页数据输出管道,后面有交代
baidu.py中的代码补全后如下:
import scrapyfrom baidu_spider.items import BaiduSpiderItemclass BaiduSpider(scrapy.Spider): name = "baidu" allowed_domains = [";] start_urls = [";] def parse(self, response): filename = "baidu_realtime.html" # open(filename, 'wb+').write(response.body) items = [] for each in response.xpath('//*[@id="sanRoot"]/main/div[2]/div/div[2]/div'): item = BaiduSpiderItem() title = each.xpath('div[2]/a/div[1]/text()').extract() content = each.xpath('(div[2]/div[1]/text())[1]').extract() url = each.xpath('div[2]/a/@href').extract() hot = each.xpath('div[1]/div[2]/text()').extract() rank = each.xpath('a/div[1]/text()').extract() # print("title::::::::$title") # print("content::::::::$content") # print("url::::::::$url") # print("rank::::::::$rank") item['title'] = title item['content'] = content item['url'] = url item['rank'] = rank item['hot'] = hot yield item # items.append(item) # return items
其中start_urls就是要爬取的网页
parse(self, response)函数就是对网页内容进行解析
items.py补全后的代码如下:
import scrapyclass BaiduSpiderItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() # pass title = scrapy.Field() url = scrapy.Field() content = scrapy.Field() rank = scrapy.Field() hot = scrapy.Field()
这里定义了热点新闻解析后,需要获取的指标
管道pipelines.py中的代码如下:
# Define your item pipelines here## Don't forget to add your pipeline to the ITEM_PIPELINES setting# See: useful for handling different item types with a single interfacefrom itemadapter import ItemAdapterimport pymysqlfrom baidu_spider.settings import *class BaiduSpiderPrintPipeline: def process_item(self, item, spider): print(item['title'],item['content'],item['url'],item['rank'],item['hot']) return itemclass BaiduSpiderPipeline: def open_spider(self, spider): self.db = pymysql.connect( host=MYSQL_HOST, user=MYSQL_USER, password=MYSQL_PWD, database=MYSQL_DB, charset=MYSQL_CHARSET ) self.cursor = self.db.cursor() def process_item(self, item, spider): insert_sql = "insert into spider_baidu_news(title, content, url, rank, hot) values (%s, %s, %s, %s, %s)" insert_parms = [item['title'],item['content'],item['url'],item['rank'],item['hot']] self.cursor.execute(insert_sql, insert_parms) self.db.commit() return item def close_spider(self, spider): self.cursor.close() self.db.close() print('执行了close_spider方法,项目已经关闭')
主要是定义了两个输出管道类,BaiduSpiderPrintPipeline和BaiduSpiderPipeline
每个管道里面可以重写以下三个方法:
def open_spider(self, spider): 处理数据前执行,只执行一次,用于连接数据库之类的操作,避免每次写数据之前都要连接数据库;def process_item(self, item, spider): 处理数据,没条数据都会调用一次;def close_spider(self, spider): 处理数据后执行,只执行一次,用于释放数据库连接、关闭文件之类的操作;
五、运行代码
运行命令如下
scrapy crawl baidu -o realtime.csv
-o:是把管道数据输出到文件
也可以在工程跟目录下生成一个main.py,免的每次在命令行执行
from scrapy import cmdlinecmdline.execute('scrapy crawl baidu -o realtime.csv'.split())
执行后数据库中已经可以看到数据:
csv文件中数据如下:
五、总结
可以看到,整个代码框架还是非常简洁清晰的,很多Python初学者,都是把所有的逻辑写在一个文件里面,这样会导致代码非常凌乱,找起代码来非常困难,有了Scrapy后,就没有这个烦恼了,Scrapy已经把整个框架规划好了,我们只要补全业务代码就可以了。
标签: #python爬取新闻网站标题和内容