/AllNewsSpider

澎湃新闻,新浪新闻,腾讯新闻,搜狐新闻,新闻联播,泰晤士报,纽约时报,BBCNews,旨在爬取所有新闻门户网站的新闻,禁止将所得数据商用!

Primary LanguagePythonApache License 2.0Apache-2.0

env

必须是 python 3.6.6 64 bit windows/linux/mac

如果要爬取纽约时报,则需要使用urllib3的1.25.11版本,否则代理可能出错

intro

新浪新闻,腾讯新闻,搜狐新闻,澎湃新闻。

短期目前旨在爬取所有新闻门户网站的新闻,每个门户网站爬虫开箱即用,并自动保存到同目录下的 csv/excel 文件中,禁止将所得数据商用。

长期目标是打造一个信息流聚合平台,或者进行更高层面的比如社会舆情、新闻地理可视化等的处理。

集成该爬虫的网站已上线,体验地址:

https://xt98.tech:9494 http://buyixiao.xyz

http://8.142.38.214

项目长期维护,欢迎 star,项目更多信息欢迎关注个人微信公众号 【月小水长】

how to use

每个文件夹下的代码就是对应平台的新闻爬虫

py 文件直接运行

pyd 文件需要,假设为 pengpai_news_spider.pyd

  1. 将 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()

todo

1、百度新闻爬虫,已完成,已发布

2、澎拜新闻爬虫,已完成,已发布

3、腾讯新闻爬虫,已完成,已发布

4、新浪新闻爬虫,已完成,已发布

5、纽约时报爬虫,已完成,已发布

6、泰晤士报爬虫,已完成,已发布

7、BBC新闻爬虫,已完成,已发布