(六)基于Scrapy爬取网易新闻中的新闻数据

需求：爬取这国内、国际、军事、航空、无人机模块下的新闻信息

1.找到这五个板块对应的url

 2.进入每个模块请求新闻信息

我们可以明显发现‘’加载中‘’，因此我们判断新闻数据是动态加载出来的。

3.拿到新闻的标题和详情url

4.请求详情页 获取新闻内容

5.思路：思路已经很清晰了，请求五大板块拿到五大板块的详情页，获取每一个板块下的新闻标题和新闻详情页url，再对新闻详情页请求拿到新闻的内容。

需要注意的一点是，新闻都是动态加载出来的，因此我们用selenium来抓取新闻的数据。

6.代码实现

爬虫文件: wangyi.py

# -*- coding: utf-8 -*-
import scrapy
from selenium import webdriver
from wangYi.items import WangyiItem

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://news.163.com/']
    urls = []
    def __init__(self):
        self.bro = webdriver.Chrome(executable_path='D:\OldBoy_Luffy\code_practice\chapter11\爬虫\scrapy框架\chromedriver.exe')

    def parse(self, response):
        li_list = response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
        # 五大模块所在li标签的索引
        index_list = [3,4,6,7,8]

        # 获取五大模块的url
        for index in index_list:
            model_src = li_list[index].xpath('./a/@href').extract_first()
            self.urls.append(model_src)

        # 发送请求
        for url in self.urls:
            yield scrapy.Request(url=url, callback=self.parse_model)

    def parse_model(self,response):
        item = WangyiItem()
        # 每条新闻所在的div标签
        div_list = response.xpath('/html/body/div/div[3]/div[4]/div[1]/div/div/ul/li/div/div')
        for div in div_list:
            # 获取标题与详情页的url
            title = div.xpath('./div/div[1]/h3/a/text()').extract_first()
            detail_url = div.xpath('./div/div[1]/h3/a/@href').extract_first()
            item['title'] = title
            # 部分的新闻中可能会有广告信息 因此可能会匹配为空  跳过循环
            if detail_url is None:
                continue
            # 请求详情页  请求传参
            yield scrapy.Request(url=detail_url, callback=self.detail_parse,meta={'item':item})

    def detail_parse(self,response):
        item = response.meta['item']
        # 获取新闻内容
        content = response.xpath('//div[@id="endText"]//text()').extract()
        content = ''.join(content)
        item['content'] = content
        # 存入管道
        yield item

    def closed(self,spider):  # 重写父类方法 爬虫结束时执行
        self.bro.quit()

中间件middlewares.py

  def process_response(self, request, response, spider):  # spider就是爬虫文件中 爬虫类的实例化对象
        # 拿到浏览器对象
        bro = spider.bro
        if request.url in spider.urls:
            # 获取动态加载的数据
            bro.get(request.url)
            page_text = bro.page_source
            # 封装成响应对象返回
            new_response = HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request)
            return new_response
        else:
            return response

items.py

class WangyiItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    content = scrapy.Field()

pipelines.py

class WangyiPipeline:
    def open_spider(self,spider):
        self.fp = open('news.txt','w',encoding='utf-8')
        print('爬取开始...')

    def process_item(self, item, spider):
        title = item['title']
        content = item['content']
        if title is None:
            title=''
        if content is None:
            content = ''
        self.fp.write(title+'\n'+content)
        return item

    def close_spider(self,spider):
        self.fp.close()
        print('爬取结束')