龙空技术网

Python爬虫-使用Scrapy框架爬取某网站热点新闻排行并保存数据库

大数据攻城狮白杨 161

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