【Python实现网络爬虫】Scrapy爬取网易新闻(仅供学习交流使用！)

目录

​​1. 新建项目​​​​2. 修改itmes.py文件​​​​3. 定义spider，创建一个爬虫模板​​​​3.1 创建crawl爬虫模板​​​​3.2 补充知识：selectors选择器​​​​3.3. 分析网页内容​​​​主体​​​​标题​​​​时间​​​​分类​​​​4. 修改spider下创建的爬虫文件​​​​4.1 导入包​​​​最终代码​​

1. 新建项目

在命令行窗口下输入​​scrapy startproject scrapytest​​, 如下

​​https://www.163.com/dy/article/G570TESI05372M9P.html?f=post2020_dy_recommends​​

主体

4. 修改spider下创建的爬虫文件

4.1 导入包

打开创建的爬虫模板，进行代码的编写，除了导入系统自动创建的三个库，我们还需要导入news.items(这里就涉及到了包的概念了，最开始说的–init–.py文件存在说明这个文件夹就是一个包可以直接导入，不需要安装)

注意：​​使用的类ExampleSpider一定要继承自CrawlSpider，因为最开始我们创建的就是一个‘crawl’的爬虫模板，对应上​​

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

Rule(LinkExtractor(allow=r’..163.com/d{2}/d{4}/d{2}/..html’), callback=‘parse’, follow=True), 其中第一个allow里面是书写正则表达式的（也是我们核心要输入的内容），第二个是回调函数，第三个表示是否允许深入

最终代码

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

项目地址：https://gitee.com/codingce/codingce-scrapy