澎湃新闻网站全站新闻爬虫及各大新闻平台聚合爬虫发布

以你之姓@ 2023-01-01 07:57 138阅读 0赞

## idea of startproject ##

1.  对于 web 开发者而言，目前各大新闻门户网站，新浪新闻，百度新闻，腾讯新闻，澎湃新闻，头条新闻并没有提供稳定可用的 feed api。
2.  对于 nlper，缺乏足够的新闻语料数据集来供训练。
3.  对于新闻传播/社会学/心理学等从业者，缺乏获取新闻数据的简单易用途径来供分析。
4.  如果上面三点是某见识所限，其实并不存在的话，第 4 点，则是某的私心，某以为互联网的记忆太短了，热搜一浪盖过一浪，所以试图定格互联网新闻的某些瞬间，最后会以网站的形式发布出来。

这个 project 我几年前就有想法了，仓库两年前就推送到了 Github，只不过只有一个 readme 文件，昨晚跨年，清理 Github，这个想法就又强烈了起来，说干就干。

> project 的 Github：https://github.com/Python3Spiders/AllNewsSpider

其实最开始并没有将澎拜新闻包括在内，某最近才开始重点关注澎湃新闻，相对于其它新闻的娱乐性，澎湃新闻的严肃活泼笔风，深得我意。

## 澎湃新闻爬虫 ##

先说下这个爬虫的实用之处，罗列如下

1.  全自动爬取澎湃新闻全站新闻内容，包括**时事**、**财经**、**思想**、**生活**四大 channel 。
2.  速度较快，容错高，对各种异常做了对应处理，目前开源的 pyd 测试抓取 w 级数据正常（如果碰到新异常，请提 issue)。
3.  字段齐全，包括 recode\_time(该条新闻被抓取的时间)、news\_url 以及其他各个新闻的必要字段，共计 12 个。

再说说如何使用（默认读者均有 python3.6+ 环境）

1.  将仓库 pengpai 文件夹下的 pengpai\_news\_spider.pyd 文件下载到本地，新建项目，把 pyd 文件放进去
2.  项目根目录下新建 runner.py，写入以下代码即可运行并抓取
    
        import pengpai_news_spider
        pengpai_news_spider.main()

爬取过程中是下面这样的

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

图中 `https://www.thepaper.cn/newsDetail_forward_10623559 可能是 h5 或者 公众号文章或者 视频`之类的说明该条新闻不在我们的目标爬取范围内，不会被保存起来。

爬取结束了，会在当前目录下生成一个 `澎湃新闻.xlsx`文件，里面保持了四个 channel 的所有网站上可浏览的文本新闻，一个 channel 对应一个 sheet\_name，如下图

![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]

## Todo ##

实现增量更新，初步思路是使用布隆过滤器去 news\_url 的重。

最后，新年第一天，元旦快乐！

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20210101130805262.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lnZHh0_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/76a8b155a9de4f35ac9707a213340ecb.png