小爬爬6: 网易新闻scrapy+selenium的爬取

1.https://news.163.com/

国内国际,军事航空,无人机都是动态加载的,先不管其他我们最后再搞中间件

2.

我们可以查看到"国内"等板块的位置

新建一个项目,创建一个爬虫文件

下面,我们进行处理:

仔细查找二级标签的位置:

每一段的信息都储存在p标签内部

items.py写两个字段

导入下面的内容:

爬虫文件wangyi.py

# -*- coding: utf- -*-
import scrapy
from wnagyiPro.items import WangyiproItem

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://news.163.com/']
    def parse(self, response):
        li_list=response.xpath('//div[@class="ns_area"]/ul/li')
        #拿到列表中的34678
        for index in [,,,,]:
            li=li_list[index]
            new_url=li.xpath('./a/@href').extract_first()
            #是五大版块对应的url进行请求发送
            yield scrapy.Request(url=new_url,callback=self.parse_news)
            #解析每个版块对应的数据
    #是用来解析每一个版块对应的新闻数据(新闻的标题)
    def parse_news(self,response):
        div_list=response.xpath('//div[@class="ndi_main"]/div')
        for div in div_list:
            title=div.xpath("./div/div[1]/h3/a/text()").extract_first()
            news_detail_url=div.xpath("./div/div[1]/h3/a/@href").extract_first()

            #实例化item对象将解析到的标题和内容存储到item对象中
            item=WangyiproItem()
            item['title']=title
            #对详情页的url进行手动请求发送一遍回去新闻的内容
            yield scrapy.Request(url=news_detail_url,callback=self.parse_detail,meta={'item':item})
    def parse_detail(self,response):
        item=response.meta['item']  #信息的传递
        #通过response解析出新闻的内容
        content=response.xpath('//div[@id="endText"]//text()').extract()
        content=''.join(content)
        item['content']=content
        yield item

我们可以在管道中打印一下item

下面再在配置文件中开启管道

现在,我们存在的问题就是,没有动态加载出来的数据,怎么处理?

响应对象存在问题,我们需要修改,五大板块对应的响应对象,其他不需要修改,下面我们处理中间件文件

我们只需要保留这一个类中的三个process方法即可

我们需要对第一个页面中进行修改

#上边的urls列表最终存放的就是五大板块对应的url

我们需要在中间件写新的response需要在爬虫文件继续写内容

开启中间件:

君子协定修改成False,

下面开始执行爬虫

重新复制首页的xpath

//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div

出现下面的错误需要进行修改下面的方法:

爬虫文件wangyi.py内容:

# -*- coding: utf- -*-
import scrapy
from wangyiPro.items import WangyiproItem
from selenium import webdriver

class WangyiSpider(scrapy.Spider):
    name = 'wangyi'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://news.163.com/']
    #浏览器实例化的操作只会被执行一次
    bro=webdriver.Chrome(executable_path='chromedriver.exe')
    urls=[] #最终存放的就是五个板块对应的url
    def parse(self, response):
        li_list=response.xpath('//*[@id="index2016_wrap"]/div[1]/div[2]/div[2]/div[2]/div[2]/div/ul/li')
        #拿到列表中的34678
        for index in [,,,,]:
            li=li_list[index]
            new_url=li.xpath('./a/@href').extract_first()
            #是五大版块对应的url进行请求发送
            self.urls.append(new_url)
            yield scrapy.Request(url=new_url,callback=self.parse_news)
            #解析每个版块对应的数据
    #是用来解析每一个版块对应的新闻数据(新闻的标题)
    def parse_news(self,response):
        div_list=response.xpath('//div[@class="ndi_main"]/div')
        for div in div_list:
            title=div.xpath("./div/div[1]/h3/a/text()").extract_first()
            news_detail_url=div.xpath("./div/div[1]/h3/a/@href").extract_first()

            #实例化item对象将解析到的标题和内容存储到item对象中
            item=WangyiproItem()
            item['title']=title
            #对详情页的url进行手动请求发送一遍回去新闻的内容
            yield scrapy.Request(url=news_detail_url,callback=self.parse_detail,meta={'item':item})
    def parse_detail(self,response):
        item=response.meta['item']  #信息的传递
        #通过response解析出新闻的内容
        content=response.xpath('//div[@id="endText"]//text()').extract()
        content=''.join(content)
        item['content']=content
        yield item
    def closed(self,spider):   #关闭
        print('爬虫整体结束!!!')
        self.bro.quit()

中间件中的处理:

# -*- coding: utf- -*-

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

from scrapy import signals
from scrapy.http import HtmlResponse
from time import sleep
class WangyiproDownloaderMiddleware(object):

    def process_request(self, request, spider):
        # Called for each request that goes through the downloader
        # middleware.

        # Must either:
        # - return None: continue processing this request
        # - or return a Response object
        # - or return a Request object
        # - or raise IgnoreRequest: process_exception() methods of
        #   installed downloader middleware will be called
        return None
    #拦截整个工程中所有的响应对象,一请求对应一响应
    def process_response(self, request, response, spider):
        if request.url in spider.urls:
            #就要将其对应的响应对象进行处理
            #获取了在爬虫类中定义号的浏览器对象
            bro=spider.bro   #包含动态加载出来的数据
            bro.get(request.url)

            bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
            sleep()
            bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
            sleep()
            bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
            sleep()
            bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
            sleep()

            #获取携带了新闻数据的页面源码数据
            page_text=bro.page_source    #spider.bro.current_url==request.url
            new_response=HtmlResponse(url=request.url,body=page_text,encoding='utf-8',request=request)
            return new_response
        else:
            return response

    def process_exception(self, request, exception, spider):
        # Called when a download handler or a process_request()
        # (from other downloader middleware) raises an exception.

        # Must either:
        # - return None: continue processing this exception
        # - return a Response object: stops process_exception() chain
        # - return a Request object: stops process_exception() chain
        pass

网易需求:

1.爬取五大板块对应的新闻

2.爬取新闻标题和内容,将数据存储到mysql 数据库中

3.创建一个表,三列id,title,content

4.notype可能是在解析标题时候出现的错误

scrapy中应用selenium的编码流程：
    - 爬虫类中定义一个属性bro
    - 爬虫类中重写父类的一个方法closed，在该方法中关闭bro
    - 在中间件类的process_response中编写selenium自动化的相关操作

关键字的 提取:

百度AI:分类

点击控制台:

自然语言处理===>技术文档===>

对关键字进行处理

第四keyword&&第五是分类

其实是个时间的问题.

有时间再搞.(答辩)