scrapy抓取中国新闻网新闻

目标说明

利用scrapy抓取中新网新闻，关于自然灾害滑坡的全部国内新闻；要求主题为滑坡类新闻，包含灾害造成的经济损失等相关内容，并结合textrank算法，得到每篇新闻的关键词，便于后续文本挖掘分析。

网站分析

目标网站：http://sou.chinanews.com/advSearch.do

结合中新搜索平台的高级搜索的特点，搜索关键词设置为：滑坡 经济损失（以空格隔开），设置分类频道为国内，排序方式按照相关度。得到所有检索到的新闻如下：

共1000多条数据。

分析网站特点发现，给请求为异步加载，通过抓包工具Fiddler得到：

分析：

　　POST提交，每次提交目标的url为：http://sou.chinanews.com/search.do

　　提交参数如上所示，其中q表示关键词（抓包测试时只输入了一个关键词）；

　　ps表示每次显示的调试，adv=1表示高级搜索；day1,day2表示搜索时间，默认不写表示全部时间，channel=gn表示国内；

　　继续点击下一页，通过对照得到一个新的参数：start，其中当start=0时，默认省略，表示第一页，每次下一页都增加10（设置的页面显示10）

　　分析得到，每次点击下一页都是一个POST提交，参数相同，不同的是start

代码逻辑

使用命令：scrapy start project NewsChina创建项目，编写items.py文件，明确抓取字段（常用套路，第一步都是明确抓取字段）。这里只抓取标题和正文。常规操作：添加数据来源和抓取时间信息。

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/items.html

import scrapy

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

    # 数据来源
    source = scrapy.Field()
    # 抓取时间
    utc_time = scrapy.Field()
    # 新闻标题
    title = scrapy.Field()
    # 新闻内容
    content = scrapy.Field()
    # 关键词
    keywords = scrapy.Field()

明确抓取字段后，使用命令：scrapy genspider newsChina 生成爬虫，开始编写爬虫逻辑，结合抓取网站的特点，做以下操作：

针对该网站的反爬措施，添加请求延迟、重试次数等待配置；

通过修改POST请求的time_scope字段，得到每一页数据，并解析数据中详情页的链接，然后对详情页链接请求，解析待抓取数据；

至于循环抓取和终止循环条件，结合实际网站各有不同，在代码中已有说明。

# -*- coding: utf-8 -*-
import re
import scrapy
from NewsChina.items import NewschinaItem

class NewschinaSpider(scrapy.Spider):
    name = 'newsChina'
    # allowed_domains = ['sou.chinanews.com']
    # start_urls = ['http://http://sou.chinanews.com/']

    #爬虫设置
    # handle_httpstatus_list = [403]  # 403错误时抛出异常
    custom_settings = {
        "DOWNLOAD_DELAY": 2,
        "RETRY_ENABLED": True,
    }

    page = 0
    # 提交参数
    formdata = {
        'field': 'content',
        'q': '滑坡 经济损失',
        'ps': '',
        'start': '{}'.format(page * 10),
        'adv': '',
        'time_scope': '',
        'day1': '',
        'day2': '',
        'channel': 'gn',
        'creator': '',
        'sort': '_score'
    }
    # 提交url
    url = 'http://sou.chinanews.com/search.do'

    def start_requests(self):

        yield scrapy.FormRequest(
            url=self.url,
            formdata=self.formdata,
            callback=self.parse
        )

    def parse(self, response):
        try:
            last_page = response.xpath('//div[@id="pagediv"]/span/text()').extract()[-1]
            # 匹配到尾页退出迭代
            if last_page is '尾页':
                return
        except:
            # 当匹配不到last_page时，说明已经爬取所有页面，xpath匹配失败
            # 抛出异常，这就是我们的循环终止条件
            # print("last_page:", response.url)
            return

        link_list = response.xpath('//div[@id="news_list"]/table//tr/td/ul/li/a/@href').extract()
        for link in link_list:
            if link:
                item = NewschinaItem()
                # 访问详情页
                yield scrapy.Request(link, callback=self.parse_detail, meta={'item': item})

        # 循环调用，访问下一页
        self.page += 1

        # 下一页的开始，修改该参数得到新数据
        self.formdata['start'] = '{}'.format(self.page * 10)
        yield scrapy.FormRequest(
            url=self.url,
            formdata=self.formdata,
            callback=self.parse
        )

    # 从详情页中解析数据
    def parse_detail(self, response):
        """
        分析发现，中新网年份不同，所以网页的表现形式不同，
        由于抓取的是所有的数据，因此同一个xpath可能只能匹配到部分的内容；
        经过反复测试发现提取规则只有如下几条。提取标题有两套规则
        提取正文有6套规则。
        :param response:
        :return:
        """
        item = response.meta['item']

        # 提取标题信息
        if response.xpath('//h1/text()'):
            item['title'] = response.xpath('//h1/text()').extract_first().strip()
        elif response.xpath('//title/text()'):
            item['title'] = response.xpath('//title/text()').extract_first().strip()
        else:
            print('title:', response.url)

        # 提取正文信息
        try:
            if response.xpath('//div[@id="ad0"]'):
                item['content'] = response.xpath('//div[@id="ad0"]').xpath('string(.)').extract_first().strip()
            elif response.xpath('//div[@class="left_zw"]'):
                item['content'] = response.xpath('//div[@class="left_zw"]').xpath('string(.)').extract_first().strip()
            elif response.xpath('//font[@id="Zoom"]'):
                item['content'] = response.xpath('//font[@id="Zoom"]').xpath('string(.)').extract_first().strip()
            elif response.xpath('//div[@id="qb"]'):
                item['content'] = response.xpath('//div[@id="qb"]').xpath('string(.)').extract_first().strip()
            elif response.xpath('//div[@class="video_con1_text_top"]/p'):
                item['content'] = response.xpath('//div[@class="video_con1_text_top"]/p').xpath('string(.)').extract_first().strip()
            else:
                print('content:', response.url)
        except:
            # 测试发现中新网有一个网页的链接是空的，因此提前不到正文，做异常处理
            print(response.url)
            item['content'] = ''

        yield item

编写中间件，添加随机头信息：

# -*- coding: utf-8 -*-

# Define here the models for your spider middleware
#
# See documentation in:
# https://doc.scrapy.org/en/latest/topics/spider-middleware.html
import random
from NewsChina.settings import USER_AGENTS as ua

class NewsChinaSpiderMiddleware(object):

    def process_request(self, request, spider):
        """
        给每一个请求随机分配一个代理
        :param request:
        :param spider:
        :return:
        """
        user_agent = random.choice(ua)
        request.headers['User-Agent'] = user_agent

编写数据保存逻辑：

结合python的jieba模块的textrank算法，实现新闻的关键词抽取，并保存到excel或数据库中

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html
from datetime import datetime
from jieba import analyse
from openpyxl import Workbook
import pymysql

class KeyswordPipeline(object):
    """
    添加数据来源及抓取时间；
    结合textrank算法，抽取新闻中最重要的5个词，作为关键词
    """
    def process_item(self, item, spider):

        # 数据来源
        item['source'] = spider.name
        # 抓取时间
        item['utc_time'] = str(datetime.utcnow())

        content = item['content']
        keywords = ' '.join(analyse.textrank(content, topK=5))

        # 关键词
        item['keywords'] = keywords

        return item

class NewsChinaExcelPipeline(object):
    """
    数据保存
    """
    def __init__(self):
        self.wb = Workbook()
        self.ws = self.wb.active
        self.ws.append(['标题', '关键词', '正文', '数据来源', '抓取时间'])

    def process_item(self, item, spider):

        data = [item['title'], item['keywords'], item['content'], item['source'], item['utc_time']]

        self.ws.append(data)
        self.wb.save('./news.xls')

        return item

# class NewschinaPipeline(object):
#     def __init__(self):
#         self.conn = pymysql.connect(
#             host='.......',
#             port=3306,
#             database='news_China',
#             user='z',
#             password='136833',
#             charset='utf8'
#         )
#         # 实例一个游标
#         self.cursor = self.conn.cursor()
#
#     def process_item(self, item, spider):
#         sql = """
#               insert into ChinaNews(ID, 标题, 关键词, 正文, 数据来源, 抓取时间)
#                values (%s, %s, %s, %s, %s, %s);"""
#
#         values = [
#             item['title'],
#             item['keywords'],
#             item['content'],
#
#             item['source'],
#             item['utc_time']
#         ]
#
#         self.cursor.execute(sql, values)
#         self.conn.commit()
#
#         return item
#
#     def close_spider(self, spider):
#         self.cursor.close()
#         self.conn.close()

运行结果

完成代码

参见：https://github.com/zInPython/NewsChina