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

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专