python 爬取虎嗅网(上）

一、分析背景：

1，为什么要选择虎嗅

　　「关于虎嗅」虎嗅网创办于 2012 年 5 月，是一个聚合优质创新信息与人群的新媒体平台。

2，分析内容

分析虎嗅网 5 万篇文章的基本情况，包括收藏数、评论数等；
发掘最受欢迎和最不受欢迎的文章及作者；
分析文章标题形式（长度、句式）与受欢迎程度之间的关系；
展现近些年科技互联网行业的热门词汇

3，分析工具：

　　　　　　python3.6

　　　　　　scrapy

　　　　　　MongoDB

　　　　　　Matplotlib

　　　　　　WordCloud

　　　　　　Jieba

数据抓取

使用scrapy抓取了虎嗅网的主页文章，文章抓取时间为2012年建站至2018年12月7日共计约5 万篇文章。抓取了 7 个字段信息：文章标题、作者、发文时间、评论数、收藏数、摘要，文章链接和文章内容。

1.目标网站分析

这是要爬取的网页界面，可以看到是通过 AJAX 加载的。

F12打开开发者工具，可以看到 URL 请求是 POST 类型，下拉到底部查看 Form Data，表单需提交参数只有 3 项。经尝试，只提交 page 参数就能成功获取页面的信息，其他两项参数无关紧要，所以构造分页爬取非常简单。

接着，切换选项卡到 Preview 和 Response 查看网页内容，可以看到数据都位于 data 字段里。total_page 为 2119，表示一共有 2119 页的文章内容，每一页有 25 篇文章，总共约 5 万篇，也就是我们要爬取的数量。

Scrapy介绍

Scrapy 是用纯 Python 实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。框架的力量，用户只需要定制开发几个模块就可以轻松的实现一个爬虫，用来抓取网页内容以及各种图片，非常之方便。Scrapy 使用了 Twisted['twɪstɪd](其主要对手是 Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

scrapy是如何帮助我们抓取数据的呢？

scrapy框架的工作流程：

1.首先Spiders（爬虫）将需要发送请求的url(requests)经ScrapyEngine（引擎）交给Scheduler（调度器）。

2.Scheduler（排序，入队）处理后，经ScrapyEngine，DownloaderMiddlewares(可选，主要有User_Agent, Proxy代理)交给Downloader。

3.Downloader向互联网发送请求，并接收下载响应（response）。将响应（response）经ScrapyEngine，SpiderMiddlewares(可选)交给Spiders。

4.Spiders处理response，提取数据并将数据经ScrapyEngine交给ItemPipeline保存（可以是本地，可以是数据库）。

5. 提取url重新经ScrapyEngine交给Scheduler进行下一个循环。直到无Url请求程序停止结束。

抓取数据

创建项目

scrapy startproject 项目名

scrapy genspider 爬虫名网址

 1 # -*- coding: utf-8 -*-
 2 # from scrapy.spider import CrawlSpider
 3 from selenium import webdriver
 4 import time
 5 from scrapy.linkextractors import LinkExtractor
 6 from scrapy.spiders import CrawlSpider, Rule
 7 # import json
 8 from datetime import datetime
 9 from ..items import HuxiuItem
10 from scrapy.http import FormRequest
11 import scrapy
12 import json,re
13 class HuxiuV1Spider(scrapy.Spider):
14     name = 'huxiu_v1'
15     allowed_domains = ['huxiu.com']
16     headers={
17         'Referer': 'https://www.huxiu.com/index.php/',
18         'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
19     }
20     #post
21     #Form data
22     # page: 2
23     def start_requests(self):
24         url='https://www.huxiu.com/v2_action/article_list'
25         requests=[]
26         for i in range(2,2119):
27             formdata={
28                 'page':str(i)
29             }
30             request=FormRequest(url,callback=self.parse,formdata=formdata,headers=self.headers)
31             requests.append(request)
32         return requests
33     def parse(self, response):
34         js=json.loads(response.body.decode())
35         # print(js)
36         req = str(js)
37         idd = re.findall(r'data-aid="(.*?)">', req)#未处理的url(id)
38         title = re.findall(r'class="transition msubstr-row2" target="_blank">(.*?)</a></h2>', req)#标题
39         auth = re.findall(r'class="author-name">(.*?)</span>', req)#作者
40         pinglun = re.findall(r'<i class="icon icon-cmt"></i><em>(.*?)</em>', req)#评论
41         shoucang = re.findall(r'<i class="icon icon-fvr"></i><em>(.*?)</em>', req)#收藏
42         zhaiyao = re.findall(r'<div class="mob-sub">(.*?)</div>', req)#未处理的摘要
43         digect = []#摘要
44         for i in zhaiyao:
45             s = i[34:-12]
46             if 'span' in i:
47                 s = i[104:-12]
48             digect.append(s)
49         # print(digect)
50         # print(title)
51         detail_url=[]
52         for i in idd:
53             burl = 'https://www.huxiu.com/article/{}.html'.format(i)
54             detail_url.append(burl)
55         # print(detail_url)
56         for i in range(len(idd)):
57             item=HuxiuItem()
58             item['title']=title[i]
59             item["auth"]=auth[i]
60             item['detail_url']=detail_url[i]
61             item['pinglun']=pinglun[i]
62             item['shoucang']=shoucang[i]
63             item['zhaiyao']=digect[i]
64             print(detail_url[i])
65             # yield item
66             yield scrapy.Request(url=detail_url[i],meta={'meta1':item},callback=self.pasre_item)
67     def pasre_item(self,response):
68         meta1=response.meta['meta1']
69         # print('hello')
70         time=response.xpath('//span[@class="article-time pull-left"]/text()|//span[@class="article-time"]/text()').extract()
71         content=response.xpath('//div[@class="article-content-wrap"]/p/text()|//div[@class="article-content-wrap"]/div/text()|//div[@class="article-content-wrap"]/div/span/text()').extract()
72         print(time)
73         ssss=''
74         for i in content:
75             ssss+=i
76         # num = response.xpath('//div[@class="author-article-pl"]/ul/li/a/text()')
77         # wnums=''
78         # for i in num:
79             # wnums = i[:-3]
80         # print(wnums)
81         for i in range(len(time)):
82             item = HuxiuItem()
83             item['title']=meta1['title']
84             item['auth']=meta1['auth']
85             item['detail_url']=meta1['detail_url']
86             item['pinglun']=meta1['pinglun']
87             item['shoucang']=meta1['shoucang']
88             item['zhaiyao']=meta1['zhaiyao']
89             item['time']=time[i]
90             # item['wnums']=num
91             item['content']=ssss
92 
93             yield item

spider

 1 # -*- coding: utf-8 -*-
 2 
 3 # Define here the models for your scraped items
 4 #
 5 # See documentation in:
 6 # https://doc.scrapy.org/en/latest/topics/items.html
 7 
 8 import scrapy
 9 
10 
11 class HuxiuItem(scrapy.Item):
12     # define the fields for your item here like:
13     # name = scrapy.Field()
14     title = scrapy.Field()
15     auth = scrapy.Field()
16     detail_url = scrapy.Field()
17     pinglun = scrapy.Field()
18     shoucang = scrapy.Field()
19     zhaiyao = scrapy.Field()
20     time = scrapy.Field()
21     content=scrapy.Field()
22     # wnums=scrapy.Field()

item

 1 # -*- coding: utf-8 -*-
 2 
 3 # Define here the models for your scraped items
 4 #
 5 # See documentation in:
 6 # https://doc.scrapy.org/en/latest/topics/items.html
 7 
 8 import scrapy
 9 
10 
11 class HuxiuItem(scrapy.Item):
12     # define the fields for your item here like:
13     # name = scrapy.Field()
14     title = scrapy.Field()
15     auth = scrapy.Field()
16     detail_url = scrapy.Field()
17     pinglun = scrapy.Field()
18     shoucang = scrapy.Field()
19     zhaiyao = scrapy.Field()
20     time = scrapy.Field()
21     content=scrapy.Field()
22     # wnums=scrapy.Field()

pipelines

 1 BOT_NAME = 'huxiu'
 2 
 3 SPIDER_MODULES = ['huxiu.spiders']
 4 NEWSPIDER_MODULE = 'huxiu.spiders'
 5 
 6 
 7 # Crawl responsibly by identifying yourself (and your website) on the user-agent
 8 #USER_AGENT = 'huxiu (+http://www.yourdomain.com)'
 9 USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
10 
11 # Obey robots.txt rules
12 ROBOTSTXT_OBEY = False
13 
14 ITEM_PIPELINES = {
15    'huxiu.pipelines.HuxiuPipeline': 300,
16 }
17 
18 LOG_FILE='huxiu_v1.log'
19 LOG_ENABLED=True #默认启用日志
20 LOG_ENCODING='UTF-8'#日志的编码，默认为’utf-8‘
21 LOG_LEVEL='DEBUG'#日志等级：ERROR\WARNING\INFO\DEBUG
22 
23 setting

setting

以上，就完成了数据的获取。有了数据我们就可以着手分析，不过这之前还需简单地进行一下数据的清洗、处理。

python 爬取虎嗅网(上）

猜你喜欢