Python+Scrapy爬取人民网

2023-11-03 09:59
文章标签 python scrapy 爬取 人民网

本文主要是介绍Python+Scrapy爬取人民网,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Python+Scrapy爬取人民网

一.准备工作:

​ ①安装python3

​ ②安装scrapy

​ ③安装docker,用来运行splash,splash是用来提供js渲染服务(python中还需利用pip安装scrapy-splash 库)

注意:win10需要安装docker客户端(https://www.docker.com/

),Linux的安装就比较简单了(自行百度)。安装上docker后,拉取镜像(docker pull scrapinghub/splash),运行镜像(docker run -p 8050:8050 scrapinghub/splash)。

二.人民网分析(http://www.people.com.cn/):

①本文介绍人民网首页如何抓取,进入人民网展示的就是首页内容,每隔一段时间首页的内容就会更新,如何不断地爬取首页的新闻呢,接下来就看一下首页的源码分析。观察下图,可以看出首页的文章存在ul标签中,点击其它文章会发现,虽然文章都存在ul标签中,但是class name确不一样,下图一ul class=‘list14’,图二的文章连接存在ul class = 'list14 top’的标签中,有两种方法我们可以把这两种标签中的文章url提取出来,一是提取所有的ul,不管标签的class是什么,二是提取class包含‘list14’的ul。提取方法分别如下:

 #提取所有<ul>下面文章的链接,不区分class namenews_list = response.xpath('//ul//li//a/@href').extract()
#提取<ul> class name包含list14标签下面的文章链接
news_list = response.xpath('//ul[contains(@class,"list14")]//li//a/@href').extract()

在这里插入图片描述
​ 图一

在这里插入图片描述
​ 图二

②接下来就是如何请求首页地址,获取首页的信息,以及提取出文章url后,如何获得文章的具体内容。获取首页内容的代码如下:

    def start_requests(self):# 每隔一段时间定时执行爬虫程序,在爬虫执行钱,清空redis,然后再爬取,避免重复。job_redis.delete('dingding:people_urls')#人民网网址target_url = 'http://www.people.com.cn/'#callback是要调用的函数yield SplashRequest(url=target_url, callback=self.list_parse, headers=headers,args={'wait':0.5}, endpoint='render.html')
 # 抓取文章列表函数def list_parse(self, response):info_type = "资讯(热点)"info_platform = "人民网"item = MyspiderItem()# 提取首页文章的url,提取出来后,可以把url放入redis,后续抓取文章具体内容使用news_list = response.xpath('//ul[contains(@class,"list14")]//li//a/@href').extract()
#上面提取出的news_list是个数组,循环数组,把每个文章的article_url放入redis,循环代码省略
job_redis.sadd('dingding:people_urls', article_url)

③文章的url已经存入redis,接下来就可以根据文章的url爬取具体的文章内容了。首先从redis中取文章url,然后根据url发起请求,最后提取response中的内容。代码如下:

#从redis中取文章url
article_url = job_redis.spop('dingding:people_urls')
#发起SplashRequest请求
while article_url:# 休眠time.sleep(3)yield SplashRequest(url=article_url, callback=self.article_parse, headers=headers, 		args={'wait': 0.5}, endpoint='render.html')
# 抓取文章具体内容函数def article_parse(self, response):info_type = "资讯(热点)"info_platform = "人民网"p_info = ""image = ""article_title = ""article_content = ""article_source = ""article_author = ""item = MyspiderItem()# 标题title = response.xpath('//div[@class="clearfix w1000_320 text_title"]/h1/text()').extract()# 文章作者author = response.xpath('//p[@class="author"]/text()').extract()time = response.xpath('//div[@class="box01"]/div[@class="fl"]/text()').extract()source = response.xpath('//div[@class="box01"]/div[@class="fl"]/a/text()').extract()

④人民网的新闻会不断更新,为了源源不断的获取网站的数据,就需要设置定时任务,每隔一段时间进行爬取。网站数据的去重这里没有给出,我是在存redis之前操作数据库进行去重,有啥更好的去重办法欢迎指教。我把抓取的文章详情存到数据库了,具体的代码也不给出了,我的一篇爬取36氪网站的文章有相关代码,可以参考一下。

这篇关于Python+Scrapy爬取人民网的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/337403

相关文章

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.

Python装饰器之类装饰器详解

《Python装饰器之类装饰器详解》本文将详细介绍Python中类装饰器的概念、使用方法以及应用场景,并通过一个综合详细的例子展示如何使用类装饰器,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录1. 引言2. 装饰器的基本概念2.1. 函数装饰器复习2.2 类装饰器的定义和使用3. 类装饰

Python 交互式可视化的利器Bokeh的使用

《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感... 目录1. Bokeh 简介1.1 为什么选择 Bokeh1.2 安装与环境配置2. Bokeh 基础2

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中