任务
抓取四川大学公共管理学院官网(http://ggglxy.scu.edu.cn)所有的新闻咨询.
1.确定抓取目标. 2.制定抓取规则. 3.'编写/调试'抓取规则. 4.获得抓取数据
我们这次需要抓取的目标为四川大学公共管理学院的所有新闻资讯.于是我们需要知道公管学院官网的布局结构.
这里我们发现想要抓到全部的新闻信息,不能直接在官网首页进行抓取,需要点击"more"进入到新闻总栏目里面.
我们看到了具体的新闻栏目,但是这显然不满足我们的抓取需求: 当前新闻动态网页只能抓取新闻的时间,标题和URL,但是并不能抓取新闻的内容.所以我们想要需要进入到新闻详情页抓取新闻的具体内容.
通过第一部分的分析,我们会想到,如果我们要抓取一篇新闻的具体信息,需要从新闻动态页面点击进入新闻详情页抓取到新闻的具体内容.我们点击一篇新闻尝试一下
们发现,我们能够直接在新闻详情页面抓取到我们需要的数据:标题,时间,内容.URL.
好,到现在我们清楚抓取一篇新闻的思路了.但是,如何抓取所有的新闻内容呢? 这显然难不到我们.
我们在新闻栏目的最下方能够看到页面跳转的按钮.那么我们可以通过"下一页"按钮实现抓取所有的新闻.
那么整理一下思路,我们能够想到一个显而易见的抓取规则: 通过抓取'新闻栏目下'所有的新闻链接,并且进入到新闻详情链接里面抓取所有的新闻内容.
为了让调试爬虫的粒度尽量的小,我将编写和调试模块糅合在一起进行. 在爬虫中,我将实现以下几个功能点:
1.爬出一页新闻栏目下的所有新闻链接 2.通过爬到的一页新闻链接进入到新闻详情爬取所需要数据(主要是新闻内容) 3.通过循环爬取到所有的新闻.
分别对应的知识点为:
1.爬出一个页面下的基础数据. 2.通过爬到的数据进行二次爬取. 3.通过循环对网页进行所有数据的爬取.
话不多说,现在开干.
通过对新闻栏目的源代码分析,我们发现所抓数据的结构为
那么我们只需要将爬虫的选择器定位到(li:newsinfo_box_cf),再进行for循环抓取即可.
测试,通过!
现在我获得了一组URL,现在我需要进入到每一个URL中抓取我所需要的标题,时间和内容,代码实现也挺简单,只需要在原有代码抓到一个URL时进入该URL并且抓取相应的数据即可.所以,我只需要再写一个进入新闻详情页的抓取方法,并且使用scapy.request调用即可.
整合进原有代码后,有:
测试,通过!
这时我们加一个循环:
加入到原本代码:
测试:
抓到的数量为191,但是我们看官网发现有193条新闻,少了两条. 为啥呢?我们注意到log的error有两条: 定位问题:原来发现,学院的新闻栏目还有两条隐藏的二级栏目: 比如:
对应的URL为
URL都长的不一样,难怪抓不到了! 那么我们还得为这两条二级栏目的URL设定专门的规则,只需要加入判断是否为二级栏目:
组装原函数:
测试:
http://www.cnblogs.com/jiaoyu121/p/6954104.html