文章目錄

• 一、前期準(zhǔn)備
• 二、初識Scrapy
• 三、網(wǎng)頁分析（重點(diǎn)&難點(diǎn)）
• 四、代碼編寫
• 五、結(jié)果展示

本次博客使用 Scrapy爬蟲框架 爬取 百度新聞，并保存到 Mysql數(shù)據(jù)庫 中。除了知道爬蟲知識外，還需要了解一下數(shù)據(jù)庫的知識。
…
如果你不太了解數(shù)據(jù)庫的知識，請你不要慌，看我的Mysql系列博客就好啦…（雖然是轉(zhuǎn)載，但也是我一個字一個字敲的，都是經(jīng)過大腦和驗(yàn)證的）

一、前期準(zhǔn)備

• 會簡單使用Fidder進(jìn)行抓包；
• 會一點(diǎn)Scrapy爬蟲框架（網(wǎng)上教程很多，也可看我第二章內(nèi)容）；
• 會一點(diǎn)簡單的數(shù)據(jù)庫操作（建庫、建表、增刪查改）

二、初識Scrapy

工欲善其事必先利其器，Scrapy框架的安裝，請看我這篇博客 （傳送門）， 里面詳細(xì)且正確的告訴大家如何安裝Scrapy框架。

安裝好Scrapy框架后，我們該如何使用它呢？下面我會簡單介紹幾個Scrapy框架常用的命令。知道了這些命令，我們就能創(chuàng)建并運(yùn)行爬蟲項(xiàng)目了。

• startproject命令
• genspider命令
• crawl命令

注意：這些命令都是在cmd中操作，且是以管理員身份打開

1、startproject命令

語法：

scrapy startproject 爬蟲項(xiàng)目名

我們可以通過這個命令創(chuàng)建一個Scrapy框架爬蟲項(xiàng)目，如下：

說明：

• D:\pythonProgram\scrapytest1路徑 是創(chuàng)建存放爬蟲項(xiàng)目的文件夾的路徑。這個文件夾在何處創(chuàng)建，讀者隨意；
• scrapy startprojct 是固定搭配，scrapy是Scrapy框架中每個命令必帶的前綴；
• newsbaidu 是爬蟲項(xiàng)目名

創(chuàng)建完之后，我們可以去此路徑查看一下，如下：

2、genspider命令

語法：

scrapy genspider -t 爬蟲文件模板 爬蟲文件名 域名

我們可以通過這個命令創(chuàng)建一個爬蟲文件，注意，是創(chuàng)建爬蟲文件。前面那個startprojct命令是創(chuàng)建爬蟲項(xiàng)目，一個項(xiàng)目里面可有多個爬蟲文件。

在Scrapy框架中，其為我們提供了四個爬蟲文件模板，我們可以在cmd中輸入 scrapy genspider -l（這里是小寫的l,不是數(shù)字1），如下：

一般的爬蟲項(xiàng)目，我們使用basic模板創(chuàng)建爬蟲文件即可，其它3個模板，如需求，請讀者自行了解！

創(chuàng)建爬蟲文件，如下：

說明：

• cd newsbaidu：創(chuàng)建爬蟲文件前，需先進(jìn)入爬蟲項(xiàng)目；
• scrapy genspider -t：是創(chuàng)建爬蟲文件模板的固定搭配；
• basic：爬蟲文件模板
• news：項(xiàng)目里的爬蟲文件名
• baidu.com：要爬取網(wǎng)站的域名

3、crawl命令

語法：

# 顯示爬取日志 scrapy crawl 爬蟲文件名 或 # 不顯示爬取日志 scrapy crawl 爬蟲文件名 --nolog

這個命令的作用是運(yùn)行爬蟲文件，進(jìn)行網(wǎng)頁數(shù)據(jù)爬取。現(xiàn)在還未編寫爬蟲文件，需等到最后運(yùn)行爬蟲文件時，再演示。

4、簡析項(xiàng)目文件結(jié)構(gòu)

從上往下，逐一簡單介紹：

• newsbaidu：項(xiàng)目名稱
• spiders：爬蟲主程序腳本文件夾
• news.py：爬蟲腳本文件，數(shù)據(jù)爬取主要在此
• items.py：指定保存文件的數(shù)據(jù)結(jié)構(gòu)，即數(shù)據(jù)的封裝實(shí)體類
• middlewares.py：中間件，處理request和reponse等相關(guān)配置
• pipelines.py：項(xiàng)目管道文件，可對采集后數(shù)據(jù)的進(jìn)行處理
• settings.py：設(shè)置文件，指定項(xiàng)目的一些配置
• scrapy.cfg：配置文件，指定路徑

我們主要操作的文件，就是上面加粗的文件。

三、網(wǎng)頁分析（重點(diǎn)&難點(diǎn)）

1、簡單分析網(wǎng)頁

打開瀏覽器進(jìn)入百度新聞首頁，如下：

復(fù)制 “讓城市留在記憶，讓人們記住鄉(xiāng)愁”，進(jìn)入首頁源代碼查看是否存在這句話，如下：

發(fā)現(xiàn)有這句話。我們進(jìn)行第一個猜測：可能全部的新聞標(biāo)題和新聞url都在首頁源代碼中。為了驗(yàn)證這個猜測，我們再選擇首頁中的一句話 “伊朗宣布將于周五開始與中俄軍演，為伊斯蘭革命后首次”，進(jìn)入首頁源代碼查看是否存在，如下：


經(jīng)過幾次上面的操作，我們發(fā)現(xiàn)：除了熱點(diǎn)要聞可以在首頁源代碼都查詢，其他都不能 。這個時候，我們可能要想一下，百度新聞中其他新聞標(biāo)題和url信息是不是 通過JS的Ajax異步請求生成的呢 ？下面我們就通過Fiddler抓包分析。

2、Fiddler抓包分析

前面 ：我使用的是谷歌瀏覽器，所以要想用Fidder進(jìn)行抓包分析，除了下載一個Fiddler軟件，還需要給谷歌瀏覽器安裝一個SwitchyOmega插件，怎么在谷歌下載和安裝這個插件，請自行百度啦（不然跑題了…）。使用火狐瀏覽器的朋友呢，不用下載這個插件，可以在瀏覽器里面直接配置，也請自行百度啦。

（1）打開Fiddler軟件

（一個小技巧：在刷新頁面之前，Fiddler里面就開始不知道抓些什么包了，我們可以在底下輸入：clear，清除掉這些記錄哦！）

（2）在谷歌瀏覽器里面刷新百度新聞頁面

刷新完頁面后，我們進(jìn)入Fiddler，它已經(jīng)為我們抓了很多包了，接下來要靠我們自己了。這里也有小技巧吶：如果我們前面分析出，數(shù)據(jù)可能存放在JS文件中，我們肯定要特別關(guān)照一下下Fiddler抓的JS文件了。請看下圖：

這顯示的是什么鬼？？是人看的嗎？！ 這當(dāng)然不是人看的了，我們可以復(fù)制里面的Unicode編碼，借助Python自帶的編輯器IDLE，將其轉(zhuǎn)碼，我們?nèi)嗽倏础Ｈ缦?#xff1a;


原來那串Unicode編碼是這個意思，真有意思啊。我們復(fù)制這句話到百度新聞首頁找找，如下：

嘿！還真找到了。我們進(jìn)行第二個猜測：數(shù)據(jù)都存放在這個JS文件里面。我們就再去Fiddler里面觀察一下這個JS文件，發(fā)現(xiàn)好像不太對，這里面的數(shù)據(jù)一看明顯就太少了，和百度新聞首頁里面那么多新聞數(shù)據(jù)完全不是一個數(shù)量級別。難道？數(shù)據(jù)還存放在其他JS文件中？就再去Fiddler里面找其他JS文件…（讀者，你先去找吧…任你找，找破天也不會找的，哈哈哈哈哈）

好像找不到了，其他JS文件夾里面沒有數(shù)據(jù)啊…我再重新刷新一下百度新聞頁面，說不定會出來。刷啊刷啊，找啊找啊，還是沒的。

這個時候，我們好像束手無策。別急，我們百度一下，看以前有沒有人分析過百度新聞，看他們怎么找到規(guī)律的。百度了一下，好像、貌似沒有…（如果有，也請讀者好好琢磨琢磨，他們是怎么找到規(guī)律的！）

我們就盯著有數(shù)據(jù)的JS文件看，進(jìn)行天馬行空的想象了。我們觀察到JS的url好像有點(diǎn)古怪，如下：

好像，有數(shù)據(jù)的JS文件的url和底下那幾個比較顯眼的綠色的get請求文件的url有那么一丟丟的類似。如果英文水平還行，應(yīng)該可以看懂箭頭指向的單詞是什么意思。然后，再對比一下百度新聞首頁中的新聞類別，我們好像發(fā)現(xiàn)了一點(diǎn)什么！！

復(fù)制這些文件的url（對著這個文件，右擊 > Copy > Just Url），進(jìn)行對比和測試，如下：

經(jīng)過對比和測試這些url，我們可以發(fā)現(xiàn)：

• 每個url后面的 t=1579xxxxxxx，應(yīng)該是時間戳，刪除也不會對進(jìn)入url有影響；
• 除了本地新聞的url還多一串：&ajax=json，我們進(jìn)行測試，這個代表JSON格式，為其他url后面加上這個字符串，也都從html網(wǎng)頁格式變成了JSON格式。

有了這些新聞的JSON數(shù)據(jù)格式，接下來就是分析正則表達(dá)式，提取我們想要的數(shù)據(jù)了。

• 對本地新聞，標(biāo)題正則表達(dá)式：“title”:"(.*?)"；url正則表達(dá)式：“url”:"(.*?)"
• 對其他新聞，標(biāo)題正則表達(dá)式：“m_title”:"(.*?)"；url正則表達(dá)式：“m_url”:"(.*?)"

分析，我們就到此結(jié)束。如有疑問，請多多練習(xí)！

四、代碼編寫

1、爬蟲項(xiàng)目創(chuàng)建（先在cmd中）

2、數(shù)據(jù)庫表的創(chuàng)建

3、爬蟲代碼編寫

（1）進(jìn)入Pycharm，導(dǎo)入爬蟲項(xiàng)目newsbaidu

File > Open >

（2）設(shè)置配置文件settings.py

（3）item.py編寫

（4）編寫news.py

# -*- coding: utf-8 -*- import scrapy import re from scrapy.http import Request from newsbaidu.items import NewsbaiduItemclass NewsSpider(scrapy.Spider):name = 'news'# 域名allowed_domains = ['baidu.com']# 爬取開始網(wǎng)址start_urls = ['https://news.baidu.com/widget?id=LocalNews&ajax=json']# 百度新聞類別allid = ['LocalNews', 'civilnews', 'InternationalNews', 'EnterNews', 'SportNews', 'FinanceNews', 'TechNews','MilitaryNews', 'InternetNews', 'DiscoveryNews', 'LadyNews', 'HealthNews', 'PicWall']# 構(gòu)造百度新聞網(wǎng)址allurl = []for url in range(0, len(allid)):thisid = allid[url]thisurl = "https://news.baidu.com/widget?id=" + thisid + "&ajax=json"allurl.append(thisurl)def parse(self, response):for i in range(0, len(self.allurl)):print("第" + str(i) + "個欄目")print("爬取網(wǎng)址：" + self.allurl[i])yield Request(self.allurl[i], callback=self.next)"""某個新聞模塊數(shù)據(jù)爬取"""def next(self, response):print("進(jìn)入next方法")# 進(jìn)入本地新聞if (response.url == 'https://news.baidu.com/widget?id=LocalNews&ajax=json'):data = response.body.decode("utf-8", "ignore")alldata = self.get_data(data, self.pattern(1))else: # 進(jìn)入其他新聞data = response.body.decode("utf-8", "ignore")alldata = self.get_data(data, self.pattern(2))# 創(chuàng)建BaidunewsItem對象item = NewsbaiduItem()item["title"] = alldata[0]item["link"] = alldata[1]yield item# 用于正則表達(dá)式的匹配def pattern(self, choice):# 存放正則表達(dá)式pattern = []if (choice == 1):# 編寫正則表達(dá)式pat1 = '"title":"(.*?)"'pat2 = '"url":"(.*?)"'pattern.append(pat1)pattern.append(pat2)elif (choice == 2):# 編寫正則表達(dá)式pat1 = '"m_title":"(.*?)"'pat2 = '"m_url":"(.*?)"'pattern.append(pat1)pattern.append(pat2)return pattern'''處理本地新聞數(shù)據(jù)，獲取新聞標(biāo)題和url'''def get_data(self, data, pattern):print("調(diào)用了get_data1方法")# 編寫正則表達(dá)式pat1 = pattern[0]pat2 = pattern[1]# 爬取網(wǎng)頁數(shù)據(jù)里面的新聞標(biāo)題titledata = re.compile(pat1, re.S).findall(data)# 爬取網(wǎng)頁數(shù)據(jù)里面的url數(shù)據(jù)urldata = re.compile(pat2, re.S).findall(data)# 存放新聞標(biāo)題titilall = []# 存放新聞urlurlall = []for i in range(0, len(titledata)):# 轉(zhuǎn)碼，顯示成中文——這步只是為了調(diào)試方便thistitle = re.sub(r'(\\u[\s\S]{4})', lambda x: x.group(1).encode("utf-8").decode("unicode-escape"),titledata[i])titilall.append(thistitle)# 處理url，用/替換\/for j in range(0, len(urldata)):thisurl = re.sub("\\\/", "/", urldata[j])urlall.append(thisurl)# 存放新聞標(biāo)題和urlalldata = []alldata.append(titilall)alldata.append(urlall)return self.deal_data(alldata)# 處理新聞標(biāo)題和新聞url，使其一一對應(yīng)def deal_data(self, alldata):print("進(jìn)入deal_data方法")# 判斷新聞標(biāo)題和url是否一一對應(yīng)if (len(alldata[0]) == len(alldata[1])):return alldataelse: # 根據(jù)源碼分析，我們可以得知：都是新聞標(biāo)題比url多，我們只要從前刪除標(biāo)題直到標(biāo)題數(shù)量與url數(shù)量相等時即可# 首先求出新聞標(biāo)題比新聞url多幾個count_url = len(alldata[0]) - len(alldata[1])for i in range(0, count_url):alldata[0].pop(0)return alldata

5、編寫pipelines.py

把數(shù)據(jù)出入數(shù)據(jù)庫中。

# -*- coding: utf-8 -*- import pymysql # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.htmlclass NewsbaiduPipeline(object):def process_item(self, item, spider):# 連接數(shù)據(jù)庫conn = pymysql.connect(host="localhost",user="root",passwd="ydjws",db="test",port=3306,charset="utf8",)# 游標(biāo)cur = conn.cursor()for i in range(0, len(item["title"])):title = item["title"][i]link = item["link"][i]# 編寫sql語句sql = "insert into t_news(title,link) values ('" + title + "','" + link + "')"try:cur.execute(sql)conn.commit()except Exception as err:print(err)conn.rollback()conn.close()return item

五、結(jié)果展示

1、執(zhí)行scrapy crawl news --nolog


2、查看數(shù)據(jù)庫

總結(jié)

以上是生活随笔為你收集整理的Scrapy框架爬取百度新闻的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。