luzy99/news-spider

关键词式指定站点新闻爬虫

news_spider

关键词式指定站点新闻爬虫

介绍

• 基于Scrapy框架
• 谷歌高级搜索（爬取新闻链接）
• 关键词、站点自定义
• 新闻页面解析（已包含人民日报、纽约时报、东方新闻、星岛新闻页面解析）
• MySQL存储
• 可拓展

目录结构

• 主体为Scrapy工程目录结构
• utils目录下包括繁简转换插件，原项目地址
• analysis目录下为一些简单的数据分析代码，包括分词、词频统计等。
• spiders下包括谷歌搜索、人民日报、纽约时报、东方新闻、星岛新闻爬虫

如何使用

1. 修改settings.py中关于数据库的配置项

   MYSQL_HOST = '127.0.0.1'	# 数据库地址
   MYSQL_DBNAME = 'job_news'	# 数据库名称
   MYSQL_USER = 'root'  # 数据库账号
   MYSQL_PASSWD = '123456'	# 数据库密码
   MYSQL_PORT = 3306

2. 启动谷歌搜索爬虫

   scrapy crawl google -a kw=关键词 -a site=站点网址

3. 启动新闻站点爬虫

   scrapy crawl 爬虫名
   

demo展示

• 新闻目录

• 新闻内容

• 词云

• 词频

开发说明

• 新增新闻站点爬虫

  在项目根目录执行：

  scrapy genspider example example.com

  仿照peopleNews.py修改即可。