百度新闻爬虫

今天药忘吃喽~ 2022-12-24 15:59 239阅读 0赞

这是本项目的开篇，在这个小项目中，将要基于爬虫和GUI编程写一个写个小工具，目的是不用打开浏览器，也能搜到一些关键信息，并将这些信息持久化保存下来，读者可以对这些数据进行分析，比如舆情分析，或作为 NLP 的语料输入。

众所周知，搜索引擎的一个核心技术就是爬虫技术，各大搜索引擎的爬虫将个网站的快照索引起来 ，用户搜索时，输入关键词并回车后，基于搜索引擎的浏览器就将相关信息按照一定排序规则展现给用户，今天分享的这个爬虫，是爬取百度爬虫爬取的内容，听起来，有点像俄罗斯套娃。

其实你现在能够在网站看到的这篇文章，就有百度爬虫的功劳。

话不多说，先用一张图，说明要爬取的内容

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center]

如图，爬取的目标是百度咨询下的每一条内容，包括标题、来源、时间和内容，并且翻页爬取、爬完能够自动停止，而且能够按照焦点/时间排序。

经过调试分析，发现排序规则和参数 rtt 相关，rtt = 1 是按照焦点排序，rtt = 4 是按照时间排序，这样就很容易解决排序抓取的问题。

翻页只需要控制 pn 参数即可，其值等于当前页码 \* 10；爬完自动停止，首先要知道什么时候爬完，从上面图中可以发现，网页上有“找到相关资讯约535,000篇”，好家伙，每页 10 篇，总页数就知道了，就知道什么时候停止了。

下面就是写代码逐渐实现的过程了。

首先备好爬虫的原料

headers = { 
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
        'Referer': 'https://www.baidu.com/s?rtt=1&bsst=1&cl=2&tn=news&word=%B0%D9%B6%C8%D0%C2%CE%C5&fr=zhidao'
    }
    
    url = 'https://www.baidu.com/s'
    
    params = { 
        'ie': 'utf-8',
        'medium': 0,
        # rtt=4 按时间排序 rtt=1 按焦点排序
        'rtt': 1,
        'bsst': 1,
        'rsv_dl': 'news_t_sk',
        'cl': 2,
        'tn': 'news',
        'rsv_bp': 1,
        'oq': '',
        'rsv_btype': 't',
        'f': 8,
    }

然后稍微小炒一下，拿到总篇数，但是不能浪费这次请求，毕竟这个页面上也有 10 篇文章需要解析，所以第一次请求的目的是拿到停止条件同时解析前 10 篇，注意它和后面的请求处理过程多了拿到总篇数这个过程，所以不放在后面的循环里。

response = requests.get(url=url, params=params, headers=headers)
    
    html = etree.HTML(response.text)
    
    dealHtml(html)
    
    total = html.xpath('//div[@id="header_top_bar"]/span/text()')[0]
    
    total = total.replace(',', '')
    
    total = int(total[7:-1])
    
    pageNum = total // 10

但是它的每条新闻解析过程，和后面都是一样的，都在 dealHtml 中

def dealHtml(html):
        results = html.xpath('//div[@class="result-op c-container xpath-log new-pmd"]')
    
        saveData = []
    
        for result in results:
            title = result.xpath('.//h3/a')[0]
            title = title.xpath('string(.)').strip()
    
            summary = result.xpath('.//span[@class="c-font-normal c-color-text"]')[0]
            summary = summary.xpath('string(.)').strip()
    
            # ./ 是直接下级，.// 是直接/间接下级
            infos = result.xpath('.//div[@class="news-source"]')[0]
            source, dateTime = infos.xpath(".//span[last()-1]/text()")[0], \
                               infos.xpath(".//span[last()]/text()")[0]
    
            dateTime = parseTime(dateTime)
    
            print('标题', title)
            print('来源', source)
            print('时间', dateTime)
            print('概要', summary)
            print('\n')
    
            saveData.append({ 
                'title': title,
                'source': source,
                'time': dateTime,
                'summary': summary
            })

然后紧接着中火慢炖，坐等美味，注意不要烧焦了，要及时加一些水或调料，动态修改页面参数

for page in range(1,pageNum):
    
        print('第 {} 页\n\n'.format(page))
        headers['Referer'] = response.url
        params['pn'] = page*10
    
        response = requests.get(url=url,headers=headers,params=params)
    
        html = etree.HTML(response.text)
    
        dealHtml(html)
    
        sleep(randint(2,4))

最后就是出锅了，这道菜的名称叫做，耗子尾汁，请君享用

with open(fileName, 'a+', encoding='utf-8-sig', newline='') as f:
        writer = csv.writer(f)
        for row in saveData:
            writer.writerow([row['title'], row['source'], row['time'], row['summary']])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center 1]

言归正传，本次项目的第一部分：百度爬虫的爬虫，就算完成了，爬虫所有代码的 github 地址如下：

> https://github.com/Python3Spiders/BaiduSpider

本项目的下一部分，等我找好朝天椒，再爆炒上桌，莫急莫急。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/fe53adbab28a4588a8fd65a8c99f336c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/89849d5fc6e5404a86842f27af83260f.png