菜单

Python抓取学院新闻报告

2018年10月15日 - 注册免费送38元体验金

任务

抓取四川大学公共管理学院官网(http://ggglxy.scu.edu.cn)所有的新闻咨询.

试流程

1.确定抓取目标.
2.制订抓取规则.
3.’修/调试’抓到手规则.
4.得抓取数据

1.规定抓取目标

咱俩这次需要抓取的对象吗四川大学公共管理学院之享有新闻资讯.于是咱要懂得公管学院官网的布局结构.

图片 1

此处我们发现想如果围捕及全部底资讯信息,不能够直接在官网首页进行抓捕到手,需要点击”more”进入及消息究竟栏目里面.

图片 2

咱俩看来了实际的消息栏目,但是这明显不满足我们的抓取需求: 当前新闻动态网页只能抓取新闻之流年,标题和URL,但是连无能够抓取新闻之内容.所以我们想只要要进入到新闻详情页抓取新闻的具体内容.

2.制定抓取规则

透过第一部分的分析,我们见面想到,如果我们设抓取一篇新闻的切切实实信息,需要由新闻动态页面点击上新闻详情页抓到手到消息的具体内容.我们点击一首新闻尝试一下

图片 3

曹发现,我们能够一直在消息详情页面抓到手到我们需要的数:标题,时间,内容.URL.

哼,到今咱们领略抓取一篇新闻之笔触了.但是,如何抓取所有的情报内容吧?
当下肯定难以不顶我们.

图片 4

我们在消息栏目的极度下方能够看出页面跳转的按钮.那么我们得经”下一致页”按钮实现抓取所有的新闻.

那整理一下思路,我们会想到一个引人注目的抓取规则:
经办案取’新闻栏目下’所有的讯息链接,并且上到新闻详情链接里面抓到手有的消息内容.

3.’编/调试’抓到手规则

为让调节爬虫的粒度尽量的粗,我用编制和调试模块糅合在一起进行.
在爬虫中,我以实现以下几单功能点:

1.爬起同页新闻栏目下之具有情报链接
2.经爬至之等同页新闻链接进入到新闻详情爬取所欲数(主要是情报内容)
3.透过轮回爬取到独具的新闻.

分别对应之知识点为:

1.爬起一个页面下之功底数据.
2.通过爬至之数额进行第二软爬取.
3.透过轮回对网页进行有数据的爬取.

话不多说,现在上马干.

3.1爬来同样页新闻栏目下的有消息链接

图片 5

经过对情报栏目的源代码分析,我们发现所抓数据的构造也

图片 6

那么我们特需要以爬虫的选择器定位及(li:newsinfo_box_cf),再拓展for循环抓取即可.

编代码
import scrapy

class News2Spider(scrapy.Spider):
    name = "news_info_2"
    start_urls = [
        "http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=1",
    ]

    def parse(self, response):
        for href in response.xpath("//div[@class='newsinfo_box cf']"):
            url = response.urljoin(href.xpath("div[@class='news_c fr']/h3/a/@href").extract_first())

测试,通过!

图片 7

3.2透过爬至之同页新闻链接进入到新闻详情爬取所要数(主要是情报内容)

今天我得到了千篇一律组URL,现在己急需上及各一个URL中抓到手自所要之题,时间以及情节,代码实现为十分简单,只需要以原始代码抓到一个URL时上该URL并且抓取相应的数量即可.所以,我偏偏待更写一个进来新闻详情页的抓取方法,并且采用scapy.request调用就可.

编代码
#进入新闻详情页的抓取方法
def parse_dir_contents(self, response):
        item = GgglxyItem()
        item['date'] = response.xpath("//div[@class='detail_zy_title']/p/text()").extract_first()
        item['href'] = response
        item['title'] = response.xpath("//div[@class='detail_zy_title']/h1/text()").extract_first()
        data = response.xpath("//div[@class='detail_zy_c pb30 mb30']")
        item['content'] = data[0].xpath('string(.)').extract()[0]
        yield item

成进原有代码后,有:

import scrapy
from ggglxy.items import GgglxyItem

class News2Spider(scrapy.Spider):
    name = "news_info_2"
    start_urls = [
        "http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=1",
    ]

    def parse(self, response):
        for href in response.xpath("//div[@class='newsinfo_box cf']"):
            url = response.urljoin(href.xpath("div[@class='news_c fr']/h3/a/@href").extract_first())
            #调用新闻抓取方法
            yield scrapy.Request(url, callback=self.parse_dir_contents)


    #进入新闻详情页的抓取方法                
    def parse_dir_contents(self, response):
            item = GgglxyItem()
            item['date'] = response.xpath("//div[@class='detail_zy_title']/p/text()").extract_first()
            item['href'] = response
            item['title'] = response.xpath("//div[@class='detail_zy_title']/h1/text()").extract_first()
            data = response.xpath("//div[@class='detail_zy_c pb30 mb30']")
            item['content'] = data[0].xpath('string(.)').extract()[0]
            yield item

测试,通过!

图片 8

这我们加以一个巡回:

NEXT_PAGE_NUM = 1 

NEXT_PAGE_NUM = NEXT_PAGE_NUM + 1
        if NEXT_PAGE_NUM<11:
            next_url = 'http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=%s' % NEXT_PAGE_NUM
            yield scrapy.Request(next_url, callback=self.parse)

投入到原来代码:

import scrapy
from ggglxy.items import GgglxyItem

NEXT_PAGE_NUM = 1


class News2Spider(scrapy.Spider):
    name = "news_info_2"
    start_urls = [
        "http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=1",
    ]

    def parse(self, response):
        for href in response.xpath("//div[@class='newsinfo_box cf']"):
            URL = response.urljoin(href.xpath("div[@class='news_c fr']/h3/a/@href").extract_first())
            yield scrapy.Request(URL, callback=self.parse_dir_contents)
        global NEXT_PAGE_NUM
        NEXT_PAGE_NUM = NEXT_PAGE_NUM + 1
        if NEXT_PAGE_NUM<11:
            next_url = 'http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=%s' % NEXT_PAGE_NUM
            yield scrapy.Request(next_url, callback=self.parse) 



    def parse_dir_contents(self, response):
            item = GgglxyItem() 
            item['date'] = response.xpath("//div[@class='detail_zy_title']/p/text()").extract_first()
            item['href'] = response 
            item['title'] = response.xpath("//div[@class='detail_zy_title']/h1/text()").extract_first()
            data = response.xpath("//div[@class='detail_zy_c pb30 mb30']")
            item['content'] = data[0].xpath('string(.)').extract()[0] 
            yield item

测试:

图片 9

Paste_Image.png

办案到之多少也191,但是我们看官网发现发193长条情报,少了少条.
为甚啊?我们注意到log的error有些许条:
定位问题:原来发现,学院的讯息栏目还有个别长条隐匿的二级栏目:
比如:

图片 10

Paste_Image.png

对应的URL为

图片 11

Paste_Image.png

URL都添加之不一致,难怪抓匪至了!
那么我们尚得为即有限长长的二级栏目的URL设定特别的规则,只待参加判断是否为二级栏目:

  if URL.find('type') != -1:
      yield scrapy.Request(URL, callback=self.parse)

组建原函数:

import scrapy
from ggglxy.items import GgglxyItem

NEXT_PAGE_NUM = 1


class News2Spider(scrapy.Spider):
    name = "news_info_2"
    start_urls = [
        "http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=1",
    ]

    def parse(self, response):
        for href in response.xpath("//div[@class='newsinfo_box cf']"):
            URL = response.urljoin(href.xpath("div[@class='news_c fr']/h3/a/@href").extract_first())
            if URL.find('type') != -1:
                yield scrapy.Request(URL, callback=self.parse)
            yield scrapy.Request(URL, callback=self.parse_dir_contents)
        global NEXT_PAGE_NUM
        NEXT_PAGE_NUM = NEXT_PAGE_NUM + 1
        if NEXT_PAGE_NUM<11:
            next_url = 'http://ggglxy.scu.edu.cn/index.php?c=special&sid=1&page=%s' % NEXT_PAGE_NUM
            yield scrapy.Request(next_url, callback=self.parse) 



    def parse_dir_contents(self, response):
            item = GgglxyItem() 
            item['date'] = response.xpath("//div[@class='detail_zy_title']/p/text()").extract_first()
            item['href'] = response 
            item['title'] = response.xpath("//div[@class='detail_zy_title']/h1/text()").extract_first()
            data = response.xpath("//div[@class='detail_zy_c pb30 mb30']")
            item['content'] = data[0].xpath('string(.)').extract()[0] 
            yield item

测试:

图片 12

4.沾抓取数据

     scrapy crawl news_info_2 -o 0016.json

念过程被遇什么问题还是想博得学习资源的说话,欢迎加入学习交流群
626062078,我们同学Python!

相关文章

标签:

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图