scrapy框架爬取网易新闻内容
2022/5/26 23:22:09
本文主要是介绍scrapy框架爬取网易新闻内容,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
需求
爬取网易新闻中的新闻数据(标题和内容)
1.通过网易新闻的首页解析出五大板块对应的详情页的url(没有动态加载)
2.每一个板块对应的新闻标题都是动态加载出来的(动态加载)
3.通过解析出每一条新闻详情页的url获取详情页的页面源码,解析出新闻内容
代码实现
数据解析
需要获取国内、国际,两大板块的详情页地址。它们均存在ul下的li标签
xpath定位://*[@id="index2016_wrap"]/div[2]/div[2]/div[2]/div[2]/div/ul/li
分别位于第3 和 4 标签列
import scrapy from wangyiPro.items import WangyiproItem from selenium import webdriver class WangyiSpider(scrapy.Spider): name = 'wangyi' # allowed_domains = ['www.xxx.com'] start_urls = ['https://news.163.com/'] url_list = [] #存储板块对应详情页的url #实例化一个浏览器对象 def __init__(self): self.bro = webdriver.Chrome() ##解析大板块对应详情页的url def parse(self, response): list = response.xpath('//*[@id="index2016_wrap"]/div[2]/div[2]/div[2]/div[2]/div/ul/li') index_list = [2,3] for index in index_list: url = list[index].xpath('./a/@href').extract_first() self.url_list.append(url) for url in self.url_list: yield scrapy.Request(url,callback=self.parse_model) # 每一个板块对应的新闻标题相关的内容都是动态加载 def parse_model(self, response):#解析每一个板块页面中对应新闻的标题和新闻详情页的url div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div[1]/div/ul/li/div/div') for div in div_list: title = div.xpath('./div/div/h3/a/text()').extract_first() detail_url = div.xpath('./div/div/h3/a/@href').extract_first() item = WangyiproItem() item['title'] = title # 对新闻详情页的url发起请求 yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={'item':item}) # 解析新闻内容 def parse_detail(self, response): content = response.xpath('//div[@id="content"]/div[2]//text()').extract() content = ''.join(content) item = response.meta['item'] item['content'] = content yield item #关闭浏览器 def closed(self,spider): self.bro.quit()
中间件处理
class WangyiproDownloaderMiddleware: # Not all methods need to be defined. If a method is not defined, # scrapy acts as if the downloader middleware does not modify the # passed objects. # 该方法拦截板块对应的响应对象,进行篡改 def process_request(self, request, spider): # Called for each request that goes through the downloader # middleware. # Must either: # - return None: continue processing this request # - or return a Response object # - or return a Request object # - or raise IgnoreRequest: process_exception() methods of # installed downloader middleware will be called return None def process_response(self, request, response, spider):#spider爬虫对象 bro = spider.bro # 获取了在爬虫类中定义的浏览器对象 # 挑选出指定的响应对象进行篡改 # 通过url指定request # 通过request指定response if request.url in spider.url_list: bro.get(request.url) # 五个板块对应的url进行请求 sleep(3) page_text = bro.page_source # 包含了动态加载的新闻数据 # response #五大板块对应的响应对象 # 针对定位到的这些response进行篡改 # 实例化一个新的响应对象(符合需求:包含动态加载出的新闻数据),替代原来旧的响应对象 # 如何获取动态加载出的新闻数据? # 基于selenium便捷的获取动态加载数据 new_response = HtmlResponse(url=request.url, body=page_text, encoding='utf-8', request=request) return new_response else: # response #其他请求对应的响应对象 return response #其他请求对应的响应对象 def process_exception(self, request, exception, spider): # Called when a download handler or a process_request() # (from other downloader middleware) raises an exception. # Must either: # - return None: continue processing this exception # - return a Response object: stops process_exception() chain # - return a Request object: stops process_exception() chain pass def spider_opened(self, spider): spider.logger.info('Spider opened: %s' % spider.name)
配置文件
持久化存储
这篇关于scrapy框架爬取网易新闻内容的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2025-01-07Cursor 收费太贵?3分钟教你接入超低价 DeepSeek-V3,代码质量逼近 Claude 3.5
- 2025-01-06PingCAP 连续两年入选 Gartner 云数据库管理系统魔力象限“荣誉提及”
- 2025-01-05Easysearch 可搜索快照功能,看这篇就够了
- 2025-01-04BOT+EPC模式在基础设施项目中的应用与优势
- 2025-01-03用LangChain构建会检索和搜索的智能聊天机器人指南
- 2025-01-03图像文字理解,OCR、大模型还是多模态模型?PalliGema2在QLoRA技术上的微调与应用
- 2025-01-03混合搜索:用LanceDB实现语义和关键词结合的搜索技术(应用于实际项目)
- 2025-01-03停止思考数据管道,开始构建数据平台:介绍Analytics Engineering Framework
- 2025-01-03如果 Azure-Samples/aks-store-demo 使用了 Score 会怎样?
- 2025-01-03Apache Flink概述:实时数据处理的利器