搜狐新闻小爬虫，解析数据接口并插入mysql数据库
2019-12-02
加入收藏
- 这个小爬虫我们用到的requests、re、lxml、json和pyMySQL在编写代码之前我们需要将他们导入进来.
import requests from lxml import etree import pymysql import json
- 首先先选择一个浏览器头信息，这个可有可无，当然有了更好，存在它才能让我们的爬虫更像是从浏览器进入获取信息的。
headers = {
'Connection': 'keep-alive',
'Upgrade-Insecure-Requests': '1',
'User-Agent': 'Mozilla/5.0 (windows NT 6.1; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding': 'gzip, deflate',
'Accept-Language': 'zh-CN,zh;q=0.9',}
- 接下来就是分析数据接口了，这个可以使用浏览器按F12,切换到编辑者模式，从中分析出数据接口链接，这里我们直接给出数据接口。
url = "http://v2.sohu.com/public-api/feed?scene=CHANNEL&sceneId=10&page=1&size=10"
通过数据接口形式我们看到它有两个参数page和size,page=1表示第一页，size=10表示每页十条数据。我们只需要改变page的数据就可以源源不断的获取数据了，当然获取数据要节制，不要给人家服务器造成太大压力。
- 接下来直接请求网页链接获取链接返回的数据。这里返回的是json字符串，我们需要对json字符串进行解析，这个时候json这个库就用到了。
json_str = requests.get(url,headers= headers).text
[{
"id": 357806424,
"authorId": 557006,
"authorName": "FX168",
"authorPic": "//sucimg.itc.cn/avatarimg/34ca41ae9ad04be68072f8894d7124b7_1491542550231",
"focus": "//5b0988e595225.cdn.sohucs.com/c_fill,w_600,h_300,g_faces/images/20191202/cc5eda06fba94b3fb7ed0c1c2faea9a6.jpeg",
"picUrl": "//5b0988e595225.cdn.sohucs.com/c_fill,w_150,h_100,g_faces,q_70/images/20191202/cc5eda06fba94b3fb7ed0c1c2faea9a6.jpeg",
"images": ["//5b0988e595225.cdn.sohucs.com/c_fill,w_150,h_100,g_faces,q_70/images/20191202/cc5eda06fba94b3fb7ed0c1c2faea9a6.jpeg", "//5b0988e595225.cdn.sohucs.com/c_fill,w_150,h_100,g_faces,q_70/images/20191202/df1ed938d9614cf690f87a58577ce07a.png"],
"title": "70年来首次，美国成石油净出口国！国际油价暴跌近5%，一切才刚刚开始？",
"mobileTitle": "70年来首次，美国成石油净出口国！国际油价暴跌近5%，一切才刚刚开始？",
"tags": [{
"id": 70694,
"name": "沙特",
"channelId": 0,
"channelName": null,
"categoryId": 0,
"categoryName": null,
"config": null,
"introduction": null,
"secureScore": 100,
"hotSpot": false
}, {
"id": 68937,
"name": "美国",
"channelId": 0,
"channelName": null,
"categoryId": 0,
"categoryName": null,
"config": null,
"introduction": null,
"secureScore": 100,
"hotSpot": false
}, {
"id": 68938,
"name": "俄罗斯",
"channelId": 0,
"channelName": null,
"categoryId": 0,
"categoryName": null,
"config": null,
"introduction": null,
"secureScore": 100,
"hotSpot": false
}],
"publicTime": 1575262702000,
"channelId": 0,
"channelName": null,
"channelUrl": "",
"categoryId": 0,
"categoryName": null,
"headImage": null,
"cmsId": 0,
"originalSource": "http://mp.weixin.qq.com/s?__biz=MjM5OTAwOTMyMA==&mid=2650280772&idx=1&sn=85dd7f58ab6b292fcff2d57a677a35dc",
"outerLink": false,
"otherId": 0,
"passport": "fx168caijing@sohu.com",
"personalPage": "http://mp.sohu.com/profile?xpt=ZngxNjhjYWlqaW5nQHNvaHUuY29t",
"videoInfo": null,
"type": 0,
"cover": null,
"tkd": null,
"secureScore": 100
}]
- 通过这个数据我们来提取我们自己需要的数据，比如标题，发布时间，当然如果想获取新闻正文，还需要进入到网址链接中取，在数据中我们看到网址链接在picUrl这个字段中。搜狐的新闻链接是通过id与authorId拼接而成，针对上面的一条数据，这个新闻的正文链接便是
http://www.sohu.com/a/357806424_557006
- 通过之前的方式，我们再去请求这个网址获取新闻正文的html原页面，再将原页面通过lxml加工成元素结构，便可以直接获取数据啦！
html = requests.get(url,headers= headers).text #获取内容 etree.HTML(str(html)).xpath(“”//article[@class = 'article']//p//text()')
- 获取数据之后将其组装成sql语句，以便直接插入到数据库中。
sql = " sql_insert = 'insert into information (`type`, url,author,title,content,postTime,addtime,`unique`) values (%s,%s,%s,%s,%s,%s,%s,%s)' "
- 通过pymysql获取mysql的连接信息执行sql语句
conn = pymysql.connect(host=“xxxxxxx”, port=3306, user="xxxx", passwd="xxxxxx", db="news", charset="utf8") cursor = conn.cursor() cursor.execute(sql_insert)
完整代码请转我的csdn连接！
