@coder-pig 2019-01-24T04:28:17.000000Z 字数 21567 阅读 1709

偷个懒，公号抠腚早报80%自动化——2.手撕新闻爬虫

2019

简述

在上一节《偷个懒，公号抠腚早报80%自动化——1.批量生成微信封面图》中，我们利用opencv库
与PIL库生成半年分量的微信封面图，每次发布直接选图，美滋滋。按照剧本，本节我们的目标是：

编写爬虫定时去爬取新闻，保存到本地数据库中

具体点：

1.编写爬取新闻站点的爬虫；
2.把爬取到的新闻保存到数据库中；
3.脚本定时执行，每天早上8点清空前一天的数据，再去爬取新闻；

说到爬虫，不得不提「爬虫五步曲」：明确爬取目标，分析请求，模拟请求，解析数据，保存数据。
本节以「澎湃新闻和爬取各类日报微博」为例讲解，其他的站点也是大同小异，有兴趣的读者自行扩展。

不多哔哔，直接开始本节内容。

1.爬取澎湃新闻

0x1 明确爬取目标

爬取站点：澎湃新闻：https://www.thepaper.cn/，网页界面如下：

确定爬取目标：爬取首页精选里的新闻，采集新闻标题，概述，链接，来源等到数据库中。

0x2 分析请求

首页，滚动到底部，会加载更多，猜测是Ajax动态加载，F12打开开发者工具，过滤XHR选项，
抓一波包，选项卡中出现一个请求：

切换到Response选项卡，看下请求的响应数据：

行吧，XML类型的数据，接着开始分析URL的规则，滚动到底部几次，采集下请求的URL：

https://www.thepaper.cn/load_chosen.jsp?nodeids=25949&topCids=2838382,2840563,2840504,2840260,&pageidx=2&lastTime=1547170820108
https://www.thepaper.cn/load_chosen.jsp?nodeids=25949&topCids=2838382,2840563,2840504,2840260,&pageidx=3&lastTime=1547170216130
https://www.thepaper.cn/load_chosen.jsp?nodeids=25949&topCids=2838382,2840563,2840504,2840260,&pageidx=4&lastTime=1547166699225

不难看出，https://www.thepaper.cn/load_chosen.jsp 是 Ajax接口的基地址；pageidx是页码；lastTime是
时间戳；至于中间的中间这段：nodeids=25949&topCids=2838382,2840563,2840504,2840260,&pageidx=2，
可能需要我们猜测一下。nodeids猜测是分类id？首页瞎点一下其他的分类，发现有两类链接：

https://www.thepaper.cn/channel_26916
https://www.thepaper.cn/list_26912

em...也是五位的数字，分别替换25949成试试？果然，channel_25949显示的内容和精选的内容一致。
而在这个页面滚动到底部同样会加载更多，Ajax的请求URL为：

https://www.thepaper.cn/load_index.jsp?nodeids=&topCids=&pageidx=2&lastTime=1547175167792

So，nodeids=25949就是固定的咯，然后是topCids=2838382,2840563,2840504,2840260，回到精选页：

这四个推，引起我的注意了，看下标题结点对应的HTML代码：

啧啧啧，行吧，这个topCids就是顶部的四个推荐对应的id，到此，请求URL的规则就摸清楚了。
另外，试了下把pageidx=2改成1，响应的结果和2一样。所以还需要分两步走：

采集首页未分页。
加载的数据，然后再去请求Ajax的请求解析数据。

接着是请求头：

referer: https://www.thepaper.cn/
user-agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 Safari/537.36
x-requested-with: XMLHttpRequest

0x3 模拟请求

使用PostMan模拟下请求URL，加上请求头，可以，能拿到数据。

行吧，写成Python代码：

import time
import requests as r
index_url = "https://www.thepaper.cn/"
ajax_base_url = "https://www.thepaper.cn/load_chosen.jsp?"
headers = {
    'referer': 'https://www.thepaper.cn/',
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 '
                  'Safari/537.36',
    'x-requested-with': 'XMLHttpRequest'
}
# 获取Ajax数据
def fetch_ajax_data():
    ajax_params = {
        'nodeids':25949,
        'topCids':'2840959,2840504,2840804,2841177,',
        'pageidx': 2,
        'lastTime': int(round(time.time() * 1000))
    }
    resp = r.get(ajax_base_url, params=ajax_params, headers=headers).text
    print(resp)

0x4 解析数据

数据拿到了，接着就到解析数据了，数据是XML格式的，截取其中一部分来分析：

<div class="news_li" id="cont2840440" contType="91">
    <div class="news_tu">
        <a href="newsDetail_forward_2840440" class="tiptitleImg" data-id="2840440" target="_blank">
            <img src="//image.thepaper.cn/image/14/160/210.jpg" alt="云南副厅级官员因迎接迟到大骂县委书记，他为何敢这么狂？">
            <span class="p_time"></span>
        </a>
    </div>
    <h2>
        <a href="newsDetail_forward_2840440" id="clk2840440" target="_blank">云南副厅级官员因迎接迟到大骂县委书记，他为何敢这么狂？</a>
    </h2>
    <p>
        和建，是一个怎样的人？他为什么在退休前后仍对权力恋恋不舍？从他的个案中可以汲取什么启示和教训？
    </p>
    <div class="pdtt_trbs">
        <a href="govAffairs_index.jsp?nodeId=" target="_blank" class="govname">澎湃问政</a>
        <span>2小时前</span>
        <span class="trbszan">62</span>
    </div>
    <div id="last2" lastTime="1547174986415" pageIndex="2" style="display:none;"></div>
</div>

关于XML的解析，Python中可以通过SAX，DOM，以及ElementTree三种方式来进行解析。
但是有个问题，这XML有点不对劲，所有元素都必须有关闭标签，但是那里的标签并没有
结束标记。直接用ElementTree解析，直接就报错了。如果想正常解析需要为每个img标签
都加上'/'，处置之外，你还要在外层裹一层标签比如<start>数据</start>。那么繁琐，
直接写个正则来提取我们想要的数据吧。先明确下我们想提取的数据结果：
新闻标题，新闻描述，新闻图片链接，新闻链接，新闻来源，新闻发布时间。
接着利用正则表达式分组来提取数据：

ajax_pattern = re.compile(
    r'<a href="(.*?)".*?img src="(.*?)" alt="(.*?)".*?<p>(.*?)</p>.*?_blank">(.*?)</a>.*?<span>(.*?)</span>', re.S)
def fetch_ajax_data():
    ajax_params = {
        'nodeids': 25949,
        'topCids': '2840959,2840504,2840804,2841177,',
        'pageidx': 2,
        'lastTime': int(round(time.time() * 1000))
    }
    resp = r.get(ajax_base_url, params=ajax_params, headers=headers).text
    results = ajax_pattern.findall(resp)
    for result in results:
        print("\n新闻地址：", index_url + result[0])
        print("图片地址：", 'http:' + result[1])
        print("新闻标题：", result[2])
        print("新闻描述：", result[3].replace('\n', '').replace(' ', ''))
        print("新闻来源：", result[4])
        print("新闻时间：", result[5])

运行后的部分输出结果如下：

可以的，数据获取到了，接着完善下这个方法，循环去获取直到数据中出现1天前。
另外，为了避免访问过于频繁导致被封，每次访问随缘休眠0-3秒，因为脚本是早上
8j点定时去爬取的，采集完可能我可能都还没醒，耗时一点也没啥，就不上代理了。
修改完后的代码：

def fetch_ajax_data():
    ajax_params = {
        'nodeids': 25949,
        'topCids': '2840959,2840504,2840804,2841177,',
    }
    pageidx = 2
    news_list = []  # 新闻列表
    while True:
        ajax_params['pageidx'] = pageidx
        ajax_params['lastTime'] = int(round(time.time() * 1000))
        resp = r.get(ajax_base_url, params=ajax_params, headers=headers)
        resp_content = resp.text
        print(resp.url)
        results = ajax_pattern.findall(resp_content)
        for result in results:
            if result[5] == '1天前':
                return news_list
            else:
                news_list.append([index_url + result[0], 'http:' + result[1], result[2],
                                  result[3].replace('\n', '').replace(' ', ''), result[4], result[5]])
        pageidx += 1
        time.sleep(random.randint(0, 2))

部分输出结果如下：

前面也说了Ajax的接口并不能获取所有数据，还需要去解析一波首页，拿两个东西：

1.首页进来后加载的数据
2.顶部的几个topCids参数

新闻的结点结构r

<div class="news_li" id="cont2845046" conttype="0">
        <div class="news_tu">
            <a href="newsDetail_forward_2845046" class="tiptitleImg" data-id="2845046" target="_blank"> <img src="//image1.thepaper.cn/image/14/202/688.jpg" alt="《红色通缉》第二集：织网">
                <span class="p_time"></span>
                    </a>
        </div>
        <h2>
            <a href="newsDetail_forward_2845046" id="clk2845046" target="_blank">《红色通缉》第二集：织网</a>
        </h2>
        <p>
                2015年4月25日，“百名红通人员”名单公布仅三天，就传来了首名嫌犯落网的消息，速度之快出人意料，也让落网的第一人戴学民备受舆论关注。</p>
        <div class="pdtt_trbs">
            <a href="list_25424" target="_blank">一号专案</a>
                        <span>59分钟前</span>
            <div class="trbstxt">推荐</div>
    </div>

使用lxml库来解析：

# 提取topCids的正则
cids_pattern = re.compile('&topCids=(.*?)&', re.S)
 # 提取首页的新闻数据
    index_resp = r.get(index_url).text
    index_html = etree.HTML(index_resp)
    news_urls = index_html.xpath('//div[@class="news_li"]/div[@class="news_tu"]/a')  # 新闻链接列表
    imgs_urls = index_html.xpath('//div[@class="news_li"]/div[@class="news_tu"]/a/img')  # 新闻图片列表
    overviews = index_html.xpath('//div[@class="news_li"]/p')  # 新闻简介列表
    times = index_html.xpath('//div[@class="pdtt_trbs"]/span')  # 时间列表
    origins = index_html.xpath('//div[@class="pdtt_trbs"]/a')  # 来源列表
    for i in range(0, int(len(news_urls) / 2)):
        print(index_url + news_urls[i].get('href'))
        print('http:' + imgs_urls[i].get('src'))
        print(imgs_urls[i].get('alt'))
        print(overviews[i].text.replace('\n', '').replace(' ', ''))
        print(times[i].text)
        print(origins[i].text)
    # 正则提取topCids
    topCids = cids_pattern.search(index_resp)
    if topCids is not None:
        print('topCids：', topCids.group(1))

部分输出结果如下：

然后再自行整合下代码，把采集到的新闻都放到同一个列表中，返回。

0x5 保存数据

数据解析完了，接着就到数据存储了，这里我们使用MySQL来保存数据，每次都传字符有点繁琐。
直接定义成一个类：

# 新闻类
class News:
    def __init__(self, title, overview, url, image, create_time, origin):
        self.title = title
        self.overview = overview
        self.url = url
        self.image = image
        self.create_time = create_time
        self.origin = origin
    def to_dict(self):
        return {'title': self.title, 'overview': self.overview, 'url': self.url, 'image': self.image,
                'create_time': self.create_time, 'origin': self.origin}

接着写一个数据库操作类，Python中操作MySQL需要安装一波pymysql库：

pip install pymysql

然后定义几个操作数据库的函数，显示创建库，表，以及删除表：

# 创建数据库
    def create_db(self):
        cursor = self.db.cursor()
        cursor.execute("CREATE DATABASE IF NOT EXISTS news CHARACTER SET UTF8MB4")
        cursor.close()
    # 创建表
    def create_table(self):
        self.db = pymysql.connect('localhost', user='root', password='Jay12345', port=3306, db='news')
        cursor = self.db.cursor()
        cursor.execute("CREATE TABLE IF Not Exists news("
                       "id INT AUTO_INCREMENT PRIMARY KEY,"
                       "title TEXT NOT NULL,"
                       "overview TEXT,"
                       "url TEXT NOT NULL,"
                       "image TEXT NOT NULL,"
                       "create_time TEXT NOT NULL,"
                       "origin  TEXT NOT NULL)")
        cursor.close()
    # 删除表
    def delete_table(self):
        self.db = pymysql.connect('localhost', user='root', password='Jay12345', port=3306, db='news')
        cursor = self.db.cursor()
        cursor.execute("DROP TABLE news")
        cursor.close()

接着是插入数据，不难写出如下这样的插入语句：

sql = "INSERT INTO news(title,overview,url,image,create_time,origin) VALUES 
(" + title + "," + overview + "," + url + "," + image + "," + create_time + "," + create_time + ")"

这样拼接除了长不好看，还繁琐，容易出错，我们可以使用格式化符%s来替代，然后在调用execute()
函数时把value值通过元组的方式传入，优化下：

sql = "INSERT INTO news(title,overview,url,image,create_time,origin) VALUES (%s, %s, %s, %s, %s, %s)"
cursor.execute(sql, (title,overview,url,image,create_time,origin))

还有个小的问题是，如果新增或删除字段，数据库语句又要更改，传入的元组也要改。
其实可以变通下，传入一个动态变化的字典，然后SQL语句根据字典动态构造。

keys = ','.join(self.news_column_list)
values = ','.join(['%s'] * len(self.news_column_list))
sql = 'INSERT INTO news ({keys}) VALUES ({values})'.format(keys=keys, values=values)
cursor.execute(sql, tuple(news.to_dict().values()))jb

调整后的代码：

    def __init__(self):
        self.db = pymysql.connect('localhost', user='root', password='Jay12345', port=3306)
        self.news_column_list = ['title', 'overview', 'url', 'image', 'create_time', 'origin']
        self.create_db()
        self.create_table()
    # 插入一条新闻
    def insert_news(self, news):
        cursor = self.db.cursor()
        try:
            keys = ','.join(self.news_column_list)
            values = ','.join(['%s'] * len(self.news_column_list))
            sql = 'INSERT INTO news ({keys}) VALUES ({values})'.format(keys=keys, values=values)
            cursor.execute(sql, tuple(news.to_dict().values()))
            self.db.commit()
        except Exception as e:
            print(str(e))
            self.db.rollback()
        finally:
            cursor.close()
    # 插入多条新闻
    def insert_some_news(self, some_news):
        cursor = self.db.cursor()
        try:
            keys = ','.join(self.news_column_list)
            values = ','.join(['%s'] * len(self.news_column_list))
            sql = 'INSERT INTO news ({keys}) VALUES ({values})'.format(keys=keys, values=values)
            for news in some_news:
                cursor.execute(sql, tuple(news.to_dict().values()))
            self.db.commit()
        except Exception as e:
            print(str(e))
            self.db.rollback()
        finally:
            cursor.close()

接着把前面直接print的都换成News类，传参，添加到列表中，返回，然后调用批量插入函数，运行后可以在
数据库中看到我们爬取到的新闻内容：

em...数据是爬取到了，但是貌似有些问题，除了上面的创建时间不对外，还有：

把提取的正则改下：

r'<a href="(.*?)".*?img src="(.*?)" alt="(.*?)".*?<p>(.*?)</p>.*?pdtt_trbs".*?<a.*?>(.*?)</a>.*?<span>(.*?)</span>', re.S)

接着再次审视下看看爬取到的数据，到此，澎湃新闻的爬取完成，除了这个站点外，读者还可j以如法炮制
爬取类似的新闻站点，比如下面的这些，这里就不再做重复劳动的事咯~

新华社：http://www.xinhuanet.com/

i黑马：http://www.iheima.com/

第一财经周刊：https://www.cbnweek.com/

36氪：https://36kr.com/

亿欧：https://www.iyiou.com/

创业邦：https://www.cyzone.cn/

IT桔子观察（融资）：https://www.itjuzi.com/

TechWeb：http://www.techweb.com.cn/

界面新闻：https://www.jiemian.com/

联商网（新零售，商业地产）：http://www.linkshop.com.cn/

芥末堆（教育）：https://www.jiemodui.com/

鲸媒体（教育）：http://www.jingmeiti.com/

决胜网（教育）：http://www.juesheng.com/

动脉网（医疗）：https://vcbeat.net/

Bianews（区块链）：https://www.bianews.com/

巴比特（区块链）：https://www.8btc.com/

盖世汽车资讯（汽车）：http://auto.gasgoo.com/

第一电动（新能源）：https://www.d1ev.com/

新旅界（旅游财经）http://www.lvjie.com.cn/

环球旅讯（旅游财经）https://www.traveldaily.cn/

2.抓取各类日报微博

0x1 明确抓取目标与请求分析

接着是爬取各类新闻日报的微博，爬取网站时，如果PC端的网页验证比较复杂，可以看看有没有
M端（手机网页端），试试从M端寻找突破口。比如新浪微博的M端：https://m.weibo.cn/
可以通过：https://m.weibo.cn/u/用户id 来打开某个用户的微博，比如：

接着打开抓包，过滤XHR，看下Ajax加载的请求URL：

看下返回的数据：

行吧，分析下URL的规律，基地址就不用说了：https://m.weibo.cn/api/container/getIndex
接着是参数，可以确定的参数有如下两个：

type=uid，固定
value=2803301701，用户id

剩下的containerid和since_id，要跟一跟，先确定是不是固定的，滚多几遍，看看新的URL：

https://m.weibo.cn/api/container/getIndex?type=uid&value=2803301701&containerid=1076032803301701&since_id=4328498967786823
https://m.weibo.cn/api/container/getIndex?type=uid&value=2803301701&containerid=1076032803301701&since_id=4328416646208508

行吧containerid是不变的，而since_id应该是从上一个接口返回的，倒数第二请求搜下：4328416646208508，

果然，那就剩下containerid咯，把所有请求都清了，接着刷新一波页面，搜下：1076032803301701：

但是这个URL中也有containerid啊，我都还没拿到，怎么拼URL？试试不加这个参数？访问：

https://m.weibo.cn/api/container/getIndex?type=uid&value=2803301701

0x2 模拟请求

啧啧，拿到一样的数据，行吧，接着捋下模拟请求的流程：

1.先获取一波containerid
2.拿着这个containerid去执行ajax请求，同时解析获取since_id用作下次请求的参数。

先是获取containerid：

# 获取containerid
def fetch_container_id(userid):
    resp = r.get(ajax_url, headers=ajax_header, params={'type': 'uid', 'value': userid}).json()
    print(resp.get('data').get('tabsInfo').get('tabs')[1].get('containerid'))

运行结果：

行吧，成功获取到containerid了，接着就是构造ajax请求了。第一个请求是没有since_id的，
而后续请求则从上一次的ajax结果中获取since_id作为下次请求的参数。

# 获取微博
def fetch_weibo(userid, containerid):
    since_id = ''
    if since_id == '':
        resp = r.get(ajax_url, headers=ajax_header, params={'type': 'uid', 'value': userid, 'containerid':
            containerid}).json()
        cards = resp.get('data').get('cards')
        for card in cards:
            mblog = card.get('mblog')
            print("创建时间：", mblog.get('created_at'))
            print("text：", mblog.get('text'))

部分输出结果如下：

另外，在测试分页的时候，发现一个很奇怪的问题，since_id拿不到？？？同一个链接，Requests拿到的结果
和浏览器拿到的结果竟然不一样，尽管我已经设置了各种Header：

# 请求URL
https://m.weibo.cn/api/container/getIndex?type=uid&value=2803301701&containerid=1076032803301701
# Requests请求的响应结果
{'ok': 1, 'data': {'cardlistInfo': {'containerid': '1076032803301701', 'v_p': 42, 'show_style': 1, 'total': 95084, 'page': 2}
# 浏览器访问结果
{"ok": 1, "data": {"cardlistInfo": {"containerid": "1076032803301701", "v_p": 42, "show_style": 1, "total": 95084, "since_id": 4328880058268227}

有知道怎么拿到since_id的童鞋可以在评论区留言。搜了下网上的方案，直接用page参数，而非since_id。

0x3 解析数据

一开始，我是想着去解析微博标题的，然后去解析标题，提取数据，但是处理起来有点繁琐。
后来想想还是算了，即刻APP也没做这个，点击新闻是直接跳微博详情的。
详情页的url规则：

https://m.weibo.cn/detail/{微博id}

所以这里要做只是解析：新闻标题，新闻创建时间，获取微博id拼接URL作为新闻详情页的链接。
先提取一波不同样式的微博信息：

【送别林清玄 重温他笔下的惬意与淡然】23日，台湾知名作家林清玄过世，终年65岁。他的作品常常出现在《读者》《青年文摘》上，每个青少年或许都曾读过。“所有时间里的事物，都永远不会回来了。”“和时间赛跑”的人，永远不会回来了。重温，送别！ 
【教科书式教育！公交车礼让行人，家长教孩子鞠躬致谢<span class="url-icon"><img alt=[赞] src="//h5.sinaimg.cn/m/emoticon/icon/others/h_zan-6e88e6f51d.png" style="width:1em; height:1em;" /></span>】近日，山东青岛，一辆公交车在斑马线礼让行人时，一位家长牵着孩子过马路，一边跟孩子说着什么，一遍弯腰教孩子鞠躬致谢。公交公司的工作人员表示，平时礼让常遇到路人竖大拇指的、微笑的，第一次遇到教育孩子感恩的。<a data-url="http://t.cn/E5lZLD1" href="http://miaopai.com/show/23UZs~CF6PAqyDdQ25HYMatq5jujmg0BQ4yfsQ__.htm?showurl=http%3A%2F%2Fmiaopai.com%2Fshow%2F23UZs%7ECF6PAqyDdQ25HYMatq5jujmg0BQ4yfsQ__.htm&url_open_direct=1&toolbar_hidden=1&url_type=39&object_type=video&pos=1&containerid=230442744560b81311e0be36d04147970e4dcf&luicode=10000011&lfid=1076032803301701" data-hide=""><span class='url-icon'><img style='width: 1rem;height: 1rem' src='https://h5.sinaimg.cn/upload/2015/09/25/3/timeline_card_small_video_default.png'></span><span class="surl-text">微辣Video的秒拍视频</span></a> 
<a  href="https://m.weibo.cn/search?containerid=231522type%3D1%26t%3D10%26q%3D%23%E5%AE%88%E6%8A%A4%E5%AE%9D%E8%B4%9D%23&isnewpage=1&luicode=10000011&lfid=1076032803301701" data-hide=""><span class="surl-text">#守护宝贝#</span></a>【<span class="url-icon"><img alt=[话筒] src="//h5.sinaimg.cn/m/emoticon/icon/others/o_huatong-9f86617336.png" style="width:1em; height:1em;" /></span>急转寻人！福建12岁女孩昨日走失】陈燕娟（女，12岁），1月22日12时40分许，从福建莆田荔城区拱辰街道富力小区走失。走失时，她上身穿紫色外套，下身穿牛仔裤，戴粉色眼镜。如有线索，请迅速与警方联系：13799610199。速扩！<a href='/n/公安部儿童失踪信息紧急发布平台'>@公安部儿童失踪信息紧急发布平台</a> 
【奶白鲫鱼汤<span class="url-icon"><img alt=[馋嘴] src="//h5.sinaimg.cn/m/emoticon/icon/default/d_chanzui-ad3f4f182c.png" style="width:1em; height:1em;" /></span>】鲫鱼汤这样做，汤白如牛奶又没腥味，喝一口根本停不下来！赶紧马走试试~（吃货秘籍） 
【春运首日发送旅客6754.5万人次 你坐火车还是飞机回家？】21日，<a  href="https://m.weibo.cn/search?containerid=231522type%3D1%26t%3D10%26q%3D%232019%E6%98%A5%E8%BF%90%23&luicode=10000011&lfid=1076032803301701" data-hide=""><span class="surl-text">#2019春运#</span></a>首日，全国铁路、道路、水路、民航共发送旅客6754.5万人次，比去年同期增长1.7%。其中铁路发送旅客953.2万人次，民航发送旅客166.2万人次。<a data-url="http://t.cn/E5TC2Xl" href="https://media.weibo.cn/article?object_id=1022%3A2309351000024331564912780165&extparam=lmid--4331573362959560&luicode=10000011&lfid=1076032803301701&id=2309351000024331564912780165" data-hide=""><span class='url-icon'><img style='width: 1rem;height: 1rem' src='https://h5.sinaimg.cn/upload/2015/09/25/3/timeline_card_small_article_default.png'></span><span class="surl-text">春运首日发送旅客6754.5万人次 你坐火车还是飞机回家</span></a> 千山万水，回家的路最美。今年，你的回家路，是什么？ 
【画面引起极度舒适！这些<a  href="https://m.weibo.cn/search?containerid=231522type%3D1%26t%3D10%26q%3D%23%E9%AB%98%E6%83%85%E5%95%86%E6%89%A7%E6%B3%95%E7%9E%AC%E9%97%B4%23&extparam=%23%E9%AB%98%E6%83%85%E5%95%86%E6%89%A7%E6%B3%95%E7%9E%AC%E9%97%B4%23&luicode=10000011&lfid=1076032803301701" data-hide=""><span class="surl-text">#高情商执法瞬间#</span></a>，真耐看<span class="url-icon"><img alt=[good] src="//h5.sinaimg.cn/m/emoticon/icon/others/h_good-55854d01bb.png" style="width:1em; height:1em;" /></span>】一则“交警要求司机捡起车窗抛出垃圾”的新闻引发好评。铁面无私、执法必严是警察的担当，而这些既讲道理又有温度的“高情商”更加珍贵，让人感觉极度舒适。人性化执法，有温度！<a data-url="http://t.cn/Eq8OzkF" href="http://miaopai.com/show/3W~4f56NCb1YfSaGEsG7jmTyiNYgVO3PiN7RDg__.htm?showurl=http%3A%2F%2Fmiaopai.com%2Fshow%2F3W%7E4f56NCb1YfSaGEsG7jmTyiNYgVO3PiN7RDg__.htm&url_open_direct=1&toolbar_hidden=1&url_type=39&object_type=video&pos=1&containerid=230442e07076f4d85282f6d54242841ee01b15&luicode=10000011&lfid=1076032803301701" data-hide=""><span class='url-icon'><img style='width: 1rem;height: 1rem' src='https://h5.sinaimg.cn/upload/2015/09/25/3/timeline_card_small_video_default.png'></span><span class="surl-text">人民日报的秒拍视频</span></a>

观察一波规律，不难发现标题都放在【】里，写个正则提取一波即可：

title_pattern = re.compile(r'【(.*?)】', re.S)

部分解析结果如下：

接着到数据清洗了，先过滤一波表情标签：

<span class="url-icon"><img alt=[赞] src="//h5.sinaimg.cn/m/emoticon/icon/others/h_zan-6e88e6f51d.png" style="width:1em; height:1em;" /></span>

直接编写正则，直接把这一部分替换为空字符串。

# 过滤emoji表情的正则
emoji_filter_pattern = re.compile(r'<span class="url-icon">.*?</span>', re.S)
# 把表情替换为空格
title = emoji_filter_pattern.sub('', title)

行吧，替换完了，接着是下面这种标题的处理：

中国交通<a  href="https://m.weibo.cn/search?containerid=231522type%3D1%26t%3D10%26q%3D%23%E5%8D%81%E5%B9%B4%E5%AF%B9%E6%AF%94%E6%8C%91%E6%88%98%23&extparam=%23%E5%8D%81%E5%B9%B4%E5%AF%B9%E6%AF%94%E6%8C%91%E6%88%98%23&luicode=10000011&lfid=1076032803301701" data-hide=""><span class="surl-text">#十年对比挑战#</span></a>

需要提取一波a标签里的，两个#号夹着的文本，依旧是正则提取一波：

a_surl_text_pattern = re.compile(r'(.*?)<a.*?<span class="surl-text">#(.*?)#</span></a>(.*?)')

提取后，发现还有下面这样的数据：

同样写个正则，过滤一波a标签，提取文本：

a_text_pattern = re.compile(r'(.*?)<a.*?>(.*?)</a>')

爬个30页看看结果标题是否正确，确认无问题后，接着就是获取日期和微博id咯：

0x4 保存数据

行吧，数据都拿到了，接着就是存数据库里咯，和上面那个一样，直接存数据库中。
比较简单，我们另外加一个字典，用来保存日报微博的名字和uid，比如这些：

news_ids = {
    '人民日报': '2803301701',
    '广州日报': '1887790981',
    '南方日报': '1682207150',
    '中国日报': '1663072851',
    '光明日报': '1402977920',
    '央视新闻': '2656274875',
    '环球时报': '1974576991',
    '澎湃新闻': '5044281310',
    '头题新闻': '1618051664',
}

加上循环，最后的完整代码如下：

"""
抓取新浪微博的爬虫
"""
import requests as r
import time
import random
import re
from DBHelper import News, DBHelper
index_url = 'https://m.weibo.cn/'  # 首页基地址
wb_detail_base_url = 'https://m.weibo.cn/detail/'  # 微博详情页基地址
ajax_url = index_url + 'api/container/getIndex'  # ajax请求基地址
ajax_header = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.92 '
                  'Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest'
}
news_ids = {
    '人民日报': '2803301701',
    '广州日报': '1887790981',
    '南方日报': '1682207150',
    '中国日报': '1663072851',
    '光明日报': '1402977920',
    '央视新闻': '2656274875',
    '环球时报': '1974576991',
    '澎湃新闻': '5044281310',
    '头题新闻': '1618051664',
}
title_pattern = re.compile(r'【(.*?)】', re.S)  # 新闻标题获取正则
emoji_filter_pattern = re.compile(r'<span class="url-icon">.*?</span>', re.S)  # 新闻标题表情过滤正则
a_surl_text_pattern = re.compile(r'(.*?)<a.*?<span class="surl-text">#(.*?)#</span></a>(.*?)')  # 提取链接中的文本
a_text_pattern = re.compile(r'(.*?)<a.*?>(.*?)</a>')  # 提取链接中的文本
abstract_pattern = re.compile(r'', re.S)  # 新闻概述提取正则
news_url_pattern = re.compile(r'<a\s+href="(.*)?".*?#(.*?)#', re.S)  # 新闻概述提取正则
# 获取containerid
def fetch_container_id(userid):
    resp = r.get(ajax_url, headers=ajax_header, params={'type': 'uid', 'value': userid}).json()
    return resp.get('data').get('tabsInfo').get('tabs')[1].get('containerid')
# 获取微博
def fetch_weibo(userid, containerid, username):
    news_list = []
    cur_page = 1
    while True:
        resp = r.get(ajax_url, headers=ajax_header, params={'type': 'uid', 'value': userid, 'containerid':
            containerid, 'page': cur_page})
        print('爬取【%s】：%s' % (username, resp.url))
        resp = resp.json()
        cards = resp.get('data').get('cards')
        for card in cards:
            mblog = card.get('mblog')
            text = mblog.get('text')
            title_result = title_pattern.search(text)
            if title_result is not None:
                title = title_result.group(1)
                # 过滤表情
                title = emoji_filter_pattern.sub('', title)
                # 过滤超链接
                a_text_result = a_surl_text_pattern.search(title)
                if a_text_result is not None:
                    title = a_text_result.group(1) + a_text_result.group(2) + a_text_result.group(3)
                title = a_text_pattern.sub('', title)
                if mblog.get('created_at').find('前') == -1:
                    return news_list
                news_list.append(
                    News(title, '', wb_detail_base_url + mblog.get('id'), '', mblog.get('created_at'), username))
        cur_page += 1
        time.sleep(random.randint(5, 10))
if __name__ == '__main__':
    helper = DBHelper()
    for key, value in news_ids.items():
        result_list = fetch_weibo(value, fetch_container_id(value), key)
        helper.insert_some_news(result_list)

部分运行结果如下：

到此，各类日报的微博就爬取完了，另外每个微博号对应的containerid是不变的，
你还可以把这些直接存到数据库中，这样，就不用每次执行脚本都去请求一次了。

3.把脚本丢服务器上定时执行

0x1 安装MySQL

把代码丢到远程服务器上，笔者使用的是腾讯云主机，先执行一波下述命令安装MySQL：

# 安装MySQL服务，输入Y后，如图会让你输入密码，重复输入确认
sudo apt-get install mysql-server
# 安装MySQL客户端
sudo apt-get install mysql-client
# 安装libmysqlclient，输入Y
sudo apt-get install libmysqlclient-dev

安装完后执行一波脚本，缺什么库装什么库，脚本跑起来就行。

0x2 DataGrip连接远程MySQL

MySQL默认是不允许远程访问的，下面简单说下使用DataGrip连接远程数据库的流程。

1.云服务器开启安全组里的3306端口，如图：

2.停止MySQL服务：

sudo /etc/init.d/mysql stop

3.修改my.cnf文件，注释掉bind-address = 127.0.0.1，键入wq保存退出；

vim /etc/mysql/my.cnf

4.启动mysql服务

/etc/init.d/mysql start

5.输入下述命令查看当前3306端口的状态

netstat -an|grep 3306

6.修改用户访问权限

mysql -u root -p    # 用户登录
use mysql;  # 选中mysql数据库
GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '密码' WITH GRANT OPTION;    # 授权
FLUSH PRIVILEGES;   # 更新权限
EXIT # 退出mysql

注：上面设置的结果是所有ip都能访问数据库，如需指定特定ip才能访问的话，
可以把'@'%改成特定ip。还有这里用的是root账户，你可以通过下述命令创建
一个新的用户，然后用这个用户进行访问，可以在此做一些权限控制操作。

CREATE USER 新用户 IDENTIFIED BY '密码';
GRANT ALL PRIVILEGES ON *.* TO '新用户'@'%' IDENTIFIED BY '密码' WITH GRANT OPTION;    # 授权
FLUSH PRIVILEGES;

7.打开DataGrip，以此点击：File -> New -> DataSource -> MySQL，如图依次配置
General和SSH/SSL选项卡，接着点击Apply和Test Connection。

出现如图所示的Successful，代表连接成功。

0x3 使用crontab定时执行脚本

在linux中可以使用cron来执行一些定时任务，linux自带，默认开机就自动启动，
启动后会读取所有配置文件（全局配置文件/etc/crontab 和每个用户的计划任务配置文件），
cron会根据命令和执行时间来调度工作任务。cron的常用命令如下：

sudo service cron restart   # 重启cron
sudo service cron stop      # 停止cron
sudo service cron start     # 启动cron
sudo service cron status    # 查看cron状态

除此之外，还有下述命令可以操作crontab：

sudo crontab –l     # 显示crontab文件
sudo crontab –e     # 修改crontab文件
sudo crontab –r     # 删除crontab文件
sudo crontab –ir    # 删除crontab文件前提醒用户

接着执行上面的sudo crontab –e命令，修改一波计划任务，命令的格式如下：

* * * * * command

参数依次为：

分：0 - 59
时：0 - 23
天：1 - 31
月：1 - 12
周：0 - 6
执行的命令

除此之外还可以使用通配符：

* （任意值，比如在天的位置写*代表每天）
,（允许在某一个位填多个值，表示某几个时间段执行，逗号分隔）
/（斜线，配合*使用，代表每隔多长时间，比如在小时位写/2代表每隔两小时）

大概规则就这些，接着在配置文件中添加执行命令，8点钟删一波表，8点1分抓澎湃新闻，
8点15分抓新浪微博的新闻。具体内容如下：

0 8 * * * python3 /home/ubuntu/AutoNews/DBHelper.py > /home/ubuntu/AutoNews/db.txt            
1 8 * * * python3 /home/ubuntu/AutoNews/PenpaiSpider.py > /home/ubuntu/AutoNews/pp.txt        
15 8 * * * python3 /home/ubuntu/AutoNews/WeiboSpider.py > /home/ubuntu/AutoNews/wb.txt

配置完后，键入：sudo service cron restart，重启一波，然后就可以坐等第二天早上看看结果咯(日志文件的创建日期)。

如果你不想动/etc/crontab这个全局配置文件，也可以单独写一个cron的文件，比如：news.cron，
接着键入下述命令添加定时任务：

crontab news.cron > news.log

添加后可以键入：crontab -l 查看是否配置成功，或者看下/var/spool/cron目录下是否生成了对应的脚本。
（注：此方法会直接替换该用户下的crontabs，而不是新增）

行吧，本节的内容就这么多，有疑问的欢迎在评论区留言，谢谢~

Tips：公号目前只是坚持发早报，在慢慢完善，有点心虚，只敢贴个小图，想看早报的可以关注下~

偷个懒，公号抠腚早报80%自动化——2.手撕新闻爬虫

简述

1.爬取澎湃新闻

0x1 明确爬取目标

0x2 分析请求

0x3 模拟请求

0x4 解析数据

0x5 保存数据

2.抓取各类日报微博

0x1 明确抓取目标与请求分析

0x2 模拟请求

0x3 解析数据

0x4 保存数据

3.把脚本丢服务器上定时执行

0x1 安装MySQL

0x2 DataGrip连接远程MySQL

0x3 使用crontab定时执行脚本

内容目录