首页 > 其他分享 >小爬爬6: 网易新闻scrapy+selenium的爬取

小爬爬6: 网易新闻scrapy+selenium的爬取

时间:2022-11-14 12:34:32浏览次数:64  
标签:网易 url self selenium bro item scrapy div response

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

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件

2.

我们可以查看到"国内"等板块的位置

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_02

 

 

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_03

新建一个项目,创建一个爬虫文件

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_04

下面,我们进行处理:

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_05

 

 

仔细查找二级标签的位置:

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_06

 

 每一段的信息都储存在p标签内部

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_07

 

 items.py写两个字段

 

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_08

 

 导入下面的内容:

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_09

爬虫文件wangyi.py

# -*- coding: utf-8 -*-
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 [3,4,6,7,8]:
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

 

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_10

 

 下面再在配置文件中开启管道

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件_11

 

 

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_12

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

 

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件_13

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

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件_14

#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:

 

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_15

君子协定修改成False,

 

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件_16

下面开始执行爬虫

 

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_17

 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:

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件_18

爬虫文件wangyi.py内容:

# -*- coding: utf-8 -*-
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 [3,4,6,7,8]:
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-8 -*-

# 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(1)
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(1)
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(1)
bro.execute_script('window.scrollTo(0,document.body.scrollHeight)')
sleep(1)

#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

 

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_19

 

 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:

 

小爬爬6: 网易新闻scrapy+selenium的爬取_中间件_20

 

 百度AI:分类

点击控制台:

小爬爬6: 网易新闻scrapy+selenium的爬取_数据_21

 

 自然语言处理===>技术文档===>

小爬爬6: 网易新闻scrapy+selenium的爬取_ide_22

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)

 



标签:网易,url,self,selenium,bro,item,scrapy,div,response
From: https://blog.51cto.com/u_11182673/5848922

相关文章

  • selenium
    selenium有头浏览器有窗口界面谷歌火狐无头浏览器没有窗口界面phantomJschromedriver安装方式chromedriver下载网站https://npm.taobao.org/mirrors/chromedriver/pha......
  • Python之selenium的打开浏览器的二种方式
    Python之selenium的打开浏览器的二种方式文章目录​​Python之selenium的打开浏览器的二种方式​​​​第一步我们要先按照selenium:​​​​第一种打开方式:​​​​第二种......
  • 网易云vip音乐免费下载方法(python爬虫)
    importosimportreimportjsonimportrequestsfromlxmlimportetreedefdownload_songs(url=None):  ifurlisNone:    url='https://music.......
  • scrapy框架运行无结果检查项
    settings.py文件中item管道是否打开,若多个管道是否配置。若多个管道,是否每个管道类都return结果给下一管道。爬虫文件是否yielditem,是否实例化item类。items.py属性名......
  • scrapy框架运行报错:AttributeError: module 'OpenSSL.SSL' has no attribute 'SSLv3_M
    从网上下了爬虫代码,提示:AttributeError:module‘OpenSSL.SSL’hasnoattribute‘SSLv3_METHOD’网上有很多其他找不到模块的解决方法,尝试了都没有用。最后在bing搜......
  • Selenium4新在哪里
    最新的selenium版本是4.0,已经于2021年10月发布。最新版本有4.6。4.0版本,其有以下几点更新(有能力的可以看官方介绍,我现在的水平,只能百度其他人的文章):一https://www.jians......
  • Python爬虫的scrapy框架的简单应用
    load_mzitu\mzitu\​​item.py​​#-*-coding:utf-8-*-#Defineherethemodelsforyourscrapeditems##Seedocumentationin:#http://doc.scrapy.org/en/latest/......
  • scrapy框架
    什么是框架?就是一个集成了很多功能并且具有很强通用性的一个项目模板如何学习框架?专门学习框架封装的各种功能的详细用法什么是scrapy?爬虫中封装好的一个明星框......
  • scrapy SCRAPER_SLOT_MAX_ACTIVE_SIZE
        SCRAPER_SLOT_MAX_ACTIVE_SIZE  SCRAPER_SLOT_MAX_ACTIVE_SIZE:正在处理响应数据的软限制(以字节为单位),如果所有正在处理的响应的大小总和高于此值,Scrapy......
  • 网易传媒基于 Arctic 的低成本准实时计算实践
    网易传媒大数据实际业务中,存在着大量的准实时计算需求场景,业务方对于数据的实效性要求一般是分钟级;这种场景下,用传统的离线数仓方案不能满足用户在实效性方面的要求,而使用......