记录使用scrapy爬取新闻网站最新新闻存入MySQL数据库，每天定时爬取自动更新

爬取每天更新的新闻，使用scrapy框架，Python2.7，存入MySQL数据库，将每次的爬虫日志和爬取过程中的bug信息存为log文件下。定义bat批处理文件，添加到计划任务程序中，自动爬取。

额…
1.在items文件中，定义需要爬取的类

2.在settings文件中设置默认项，设置日志输出格式，打开pipeline文件，设置delay时间，设置数据库信息，设置请求头等信息
3.编写自己的spider文件

class TouchuangSpider(scrapy.Spider):name = 'touchuang'allowed_domains = ['xunjk.com']url = {"1": "http://www.xunjk.com/xinwen/rongzi/",     # 融资"2": "http://www.xunjk.com/shangye/",           # 商业"3": "http://www.xunjk.com/xinwen/yanjiu/",      # 研究"4": "http://www.xunjk.com/xinwen/keji/",       # 科技"5": "http://www.xunjk.com/xinwen/jinrong/",    # 金融"6": "http://www.xunjk.com/xinwen/dongcha/",    # 洞察"7": "http://www.xunjk.com/xinwen/yejie/"       # 业界}start_urls = [url["1"], url["2"], url["3"], url["4"], url["5"], url["6"], url["7"]]# start_urls = [url["1"]]

因为同时爬取几个板块的新闻，将板块编号设置为字典k值，链接设置为v值。
访问url，回调prase()函数，进一步处理。
提取中用到的常用的xpath提取，这个没什么可说的

 def request_page(self,response):date = time.strftime("%Y%m%d")try:item = XinwenItem()item["title"] = response.xpath("//div[@class='main_c']/h1/text()").extract_first()      # 获取新闻标题item["zuozhe"] = response.xpath("//div[@class='infos']/span[@class='from']/a/text()").extract_first()      # 获取新闻来源page_url = response.xpath("//div[@class='breadnav']/a[3]/@href").extract_first()for k, v in self.url.items():       # 为获取新闻分类id，获取到当前页分类url作为字典v值，取得k值if v == page_url:item["fenlei_id"] = k   # k为文章分类id# 判断文章中是否有图片，有获取图片；无返回空item["created_at"] = response.xpath("//div[@class='infos']/span[@class='time']/text()").extract_first()except Exception as e:# 若报错，将错误打印txt返回with open(r"D:\pycharm_projects\xinwenyuan\xinwen\log\/"+date+".txt", "a+") as f:f.write("e:"+e+"\n")try:img = re.search('<img .* src="(.*?)" width="(.*?)" /></p>', response.text).group(1)item["news_pic"] = imgprint item["news_pic"]      except:item["news_pic"] = ""   # 无图片返回空

其中正文部分，刚开始用的是xpath提取文本信息，但考虑到有部分新闻都有图片信息，并且后期还要将图片和文本一一对应，所以改用正则匹配p标签获取正文，最后返回items
4.存入mysql数据库
在pipelines文件中编写sql信息

class XinwenPipeline(object):def __init__(self):print "connect successful..."# 链接MySQL数据库self.connect = pymysql.connect(host=settings.MYSQL_HOST,user=settings.MYSQL_USER,password=settings.MYSQL_PASSWD,db=settings.MYSQL_DBNAME,port=settings.MYSQL_PORT,charset="utf8")# 获取游标self.cursor = self.connect.cursor()# 存入数据库def process_item(self, item, spider):date = time.strftime("%Y%m%d")print "doing something..."try:# 执行sql语句插入，其中title设置为唯一字段，防止重复录入sql = '''insert into articles(title,zuozhe,content,fenlei_id,created_at,news_pic,updated_at,dianji) VALUES (%s,%s,%s,%s,%s,%s,%s,%s)'''self.cursor.execute(sql, (item["title"],item["zuozhe"],item["content"],item["fenlei_id"],item["created_at"],item["news_pic"], item["updated_at"], item["dianji"]))self.connect.commit()      # 保存except Exception as error:# 出现错误时打印错误日志with open(r"D:\pycharm_projects\xinwenyuan\xinwen\log\/"+date+".txt", "a+") as f:f.write(item["created_at"]+"error:"+error[1]+"\n")return item# 关闭数据库def close_spider(self, spider):print "working done..."self.cursor.close()self.connect.close()

5.在start.py中设置定时任务，实现每天定时爬取

最后是设置bat文件

定时任务这一部分参考了网上的文档，原链接如下：
https://blog.csdn.net/zwq912318834/article/details/77806737
将设置好的bat文件加入到计划执行任务中

其中，本次爬虫任务采用的scrapy默认的线程数，没有设置其他的多线程，没有使用代理ip，所以只设置了delay时间，这样爬虫随时会因为ip被封挂掉的，不过到现在还好，一切ok。
代码中还有很多其他的问题，小伙伴们可以留言交流[认真滑稽脸].jpg

记录使用scrapy爬取新闻网站最新新闻存入MySQL数据库，每天定时爬取自动更新相关推荐

python爬虫之爬取掘金网首页存入mysql数据库
博主是个前端小白,最近在学习爬虫,写个实战系列也是想记录自己学习的过程,以便后续回顾欢迎大家一起交流学习.共同进步这篇文章达成的效果是爬掘金网的首页的数据存到mysql数据库里做这个实战你需要具 ...
python爬取 xueqiu网数据存入MySQL数据库中
#导入包 from urllib import request import json import pymysql #声名一个class类 class mysql_connect(object):# ...
python爬虫：爬取动态网页并将信息存入MySQL数据库
目标网站 http://www.neeq.com.cn/disclosure/supervise.html 爬取网页该部分内容网页分析查看网页源代码发现没有表格部分内容,对网页请求进行分析 F12 ...
在ubuntu 16.04里使用python—scrapy将爬取到的数据存到mysql数据库中的一些随笔
一.将爬取的数据保存到mysql数据库的代码(已经能将爬取的数据保存到json文件) (1)编辑Pipeline.py文件 (2)编辑settings.py文件二.将数据保存至mysql数据库出现的 ...
用 Python selenium爬取股票新闻并存入mysql数据库中带翻页功能demo可下载
用 Python selenium爬取实时股票新闻并存入mysql数据库中 1.分析需求 2.创建表 3.分析需要爬取的网页内容 4.python里面selenium进行爬虫操作 1.添加包 2.连接 ...
Scrapy爬取重庆安居客二手房并存入mysql数据库（下）
上篇中我们获取了重庆的一二级区(Scrapy爬取重庆安居客二手房并存入mysql数据库(上)),这一篇我们根据二级区获取相应的二手房信息. 初始化数据库创建二手房信息数据库表,house表存放二手房 ...
python爬取新闻存入数据库_python 爬取古诗文存入mysql数据库的方法
使用正则提取数据,请求库requests,看代码,在存入数据库时,报错ERROR 1054 (42S22): Unknown column 'title' in 'field list'.原来是我写s ...
python爬虫开发数据库设计入门经典_Python3实现的爬虫爬取数据并存入mysql数据库操作示例...
本文实例讲述了Python3实现的爬虫爬取数据并存入mysql数据库操作.分享给大家供大家参考,具体如下: 爬一个电脑客户端的订单.罗总推荐,抓包工具用的是HttpAnalyzerStdV7,与chr ...
数据爬取存入MySQL数据库
目录创建test数据库创建test的数据库 ''' 创建数据库 ''' self.mydb = pymysql.connect( host="localhost", user= ...

记录使用scrapy爬取新闻网站最新新闻存入MySQL数据库，每天定时爬取自动更新

记录使用scrapy爬取新闻网站最新新闻存入MySQL数据库，每天定时爬取自动更新相关推荐

最新文章

热门文章