1. 新建項(xiàng)目
在命令行窗口下輸入scrapy startproject scrapytest, 如下
然后就自動(dòng)創(chuàng)建了相應(yīng)的文件，如下
2. 修改itmes.py文件
打開(kāi)scrapy框架自動(dòng)創(chuàng)建的items.py文件，如下
# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html
import scrapy
class ScrapytestItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
pass
編寫里面的代碼，確定我要獲取的信息，比如新聞標(biāo)題，url，時(shí)間，來(lái)源，來(lái)源的url，新聞的內(nèi)容等
class ScrapytestItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
title = scrapy.Field()
timestamp = scrapy.Field()
category = scrapy.Field()
content = scrapy.Field()
url = scrapy.Field()
pass
3. 定義spider，創(chuàng)建一個(gè)爬蟲模板
3.1 創(chuàng)建crawl爬蟲模板
在命令行窗口下面 創(chuàng)建一個(gè)crawl爬蟲模板（注意在文件的根目錄下面，指令檢查別輸入錯(cuò)誤，-t 表示使用后面的crawl模板），會(huì)在spider文件夾生成一個(gè)news163.py文件
scrapy genspider -t crawl codingce news.163.com
然后看一下這個(gè)‘crawl'模板和一般的模板有什么區(qū)別，多了鏈接提取器還有一些爬蟲規(guī)則，這樣就有利于我們做一些深度信息的爬取
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
class CodingceSpider(CrawlSpider):
name = 'codingce'
allowed_domains = ['163.com']
start_urls = ['http://news.163.com/']
rules = (
Rule(LinkExtractor(allow=r'Items/'), callback='parse_item', follow=True),
)
def parse_item(self, response):
item = {}
#item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()
#item['name'] = response.xpath('//div[@id="name"]').get()
#item['description'] = response.xpath('//div[@id="description"]').get()
return item
3.2 補(bǔ)充知識(shí)：selectors選擇器
支持xpath和css,xpath語(yǔ)法如下
/html/head/title
/html/head/title/text()
//td (深度提取的話就是兩個(gè)/)
//div[@class=‘mine']
3.3. 分析網(wǎng)頁(yè)內(nèi)容
在谷歌chrome瀏覽器下，打在網(wǎng)頁(yè)新聞的網(wǎng)站，選擇查看源代碼，確認(rèn)我們可以獲取到itmes.py文件的內(nèi)容（其實(shí)那里面的要獲取的就是查看了網(wǎng)頁(yè)源代碼之后確定可以獲取的）
確認(rèn)標(biāo)題、時(shí)間、url、來(lái)源url和內(nèi)容可以通過(guò)檢查和標(biāo)簽對(duì)應(yīng)上，比如正文部分
主體
標(biāo)題
時(shí)間
分類
4. 修改spider下創(chuàng)建的爬蟲文件
4.1 導(dǎo)入包
打開(kāi)創(chuàng)建的爬蟲模板，進(jìn)行代碼的編寫，除了導(dǎo)入系統(tǒng)自動(dòng)創(chuàng)建的三個(gè)庫(kù)，我們還需要導(dǎo)入news.items(這里就涉及到了包的概念了，最開(kāi)始說(shuō)的–init–.py文件存在說(shuō)明這個(gè)文件夾就是一個(gè)包可以直接導(dǎo)入，不需要安裝)
注意：使用的類ExampleSpider一定要繼承自CrawlSpider，因?yàn)樽铋_(kāi)始我們創(chuàng)建的就是一個(gè)‘crawl'的爬蟲模板，對(duì)應(yīng)上
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapytest.items import ScrapytestItem
class CodingceSpider(CrawlSpider):
name = 'codingce'
allowed_domains = ['163.com']
start_urls = ['http://news.163.com/']
rules = (
Rule(LinkExtractor(allow=r'.*\.163\.com/\d{2}/\d{4}/\d{2}/.*\.html'), callback='parse', follow=True),
)
def parse(self, response):
item = {}
content = 'br>'.join(response.css('.post_content p::text').getall())
if len(content) 100:
return
return item
Rule(LinkExtractor(allow=r'..163.com/\d{2}/\d{4}/\d{2}/..html'), callback=‘parse', follow=True), 其中第一個(gè)allow里面是書寫正則表達(dá)式的（也是我們核心要輸入的內(nèi)容），第二個(gè)是回調(diào)函數(shù)，第三個(gè)表示是否允許深入
最終代碼
from datetime import datetime
import re
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapytest.items import ScrapytestItem
class CodingceSpider(CrawlSpider):
name = 'codingce'
allowed_domains = ['163.com']
start_urls = ['http://news.163.com/']
rules = (
Rule(LinkExtractor(allow=r'.*\.163\.com/\d{2}/\d{4}/\d{2}/.*\.html'), callback='parse', follow=True),
)
def parse(self, response):
item = {}
content = 'br>'.join(response.css('.post_content p::text').getall())
if len(content) 100:
return
title = response.css('h1::text').get()
category = response.css('.post_crumb a::text').getall()[-1]
print(category, "=======category")
time_text = response.css('.post_info::text').get()
timestamp_text = re.search(r'\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}', time_text).group()
timestamp = datetime.fromisoformat(timestamp_text)
print(title, "=========title")
print(content, "===============content")
print(timestamp, "==============timestamp")
print(response.url)
return item
到此這篇關(guān)于python實(shí)現(xiàn)Scrapy爬取網(wǎng)易新聞的文章就介紹到這了,更多相關(guān)python Scrapy爬取網(wǎng)易新聞內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python爬蟲之教你利用Scrapy爬取圖片
- python基于scrapy爬取京東筆記本電腦數(shù)據(jù)并進(jìn)行簡(jiǎn)單處理和分析
- Scrapy+Selenium自動(dòng)獲取cookie爬取網(wǎng)易云音樂(lè)個(gè)人喜愛(ài)歌單
- 如何在scrapy中集成selenium爬取網(wǎng)頁(yè)的方法
- 使用scrapy ImagesPipeline爬取圖片資源的示例代碼
- scrapy與selenium結(jié)合爬取數(shù)據(jù)(爬取動(dòng)態(tài)網(wǎng)站)的示例代碼
- Python利用Scrapy框架爬取豆瓣電影示例
- Python scrapy增量爬取實(shí)例及實(shí)現(xiàn)過(guò)程解析
- Python爬蟲實(shí)戰(zhàn)之使用Scrapy爬取豆瓣圖片
