feat: 增加腾讯网 军事、汽车分类爬虫
This commit is contained in:
parent
543ce5ec0a
commit
144c9e082f
|
|
@ -74,3 +74,5 @@ logs/
|
||||||
# Temporary
|
# Temporary
|
||||||
*.tmp
|
*.tmp
|
||||||
*.temp
|
*.temp
|
||||||
|
|
||||||
|
ml-module/models/
|
||||||
|
|
@ -125,3 +125,27 @@ sources:
|
||||||
name: "汽车"
|
name: "汽车"
|
||||||
css_selector: "div.feed_card.ty-feed-card-container div.cardlist-a__list div.ty-card.ty-card-type1"
|
css_selector: "div.feed_card.ty-feed-card-container div.cardlist-a__list div.ty-card.ty-card-type1"
|
||||||
detail_css_selector: "div.main-content"
|
detail_css_selector: "div.main-content"
|
||||||
|
gov:
|
||||||
|
url: "https://gov.sina.com.cn/"
|
||||||
|
category_id: 7
|
||||||
|
name: "政务"
|
||||||
|
css_selector: "a[href]"
|
||||||
|
|
||||||
|
tencent:
|
||||||
|
base_url: "https://new.qq.com"
|
||||||
|
categories:
|
||||||
|
auto:
|
||||||
|
url: "https://new.qq.com/auto"
|
||||||
|
category_id: 6
|
||||||
|
name: "汽车"
|
||||||
|
css_selector: ""
|
||||||
|
war:
|
||||||
|
url: "https://news.qq.com/ch/milite"
|
||||||
|
category_id: 5
|
||||||
|
name: "军事"
|
||||||
|
css_selector: ""
|
||||||
|
war_web:
|
||||||
|
url: "https://news.qq.com/ch/milite"
|
||||||
|
category_id: 5
|
||||||
|
name: "军事（网页版）"
|
||||||
|
css_selector: "div[id='channel-feed-area']"
|
||||||
|
|
|
||||||
|
|
@ -0,0 +1,12 @@
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
CSS 属性选择器常用运算符速查表
|
||||||
|
| 运算符 | 含义 | 示例 | | |
|
||||||
|
| ---- | ------ | ----------------- | ------ | ------- |
|
||||||
|
| `=` | 完全等于 | `[id="content"]` | | |
|
||||||
|
| `*=` | **包含** | `[id*="content"]` | | |
|
||||||
|
| `^=` | 以…开头 | `[id^="content"]` | | |
|
||||||
|
| `$=` | 以…结尾 | `[id$="content"]` | | |
|
||||||
|
| `~=` | 单词匹配 | `[class~="item"]` | | |
|
||||||
|
| ` | =` | 前缀匹配 | `[lang | ="en"]` |
|
||||||
|
|
@ -0,0 +1,929 @@
|
||||||
|
# 新闻爬虫系统 - 添加新爬虫实现指南
|
||||||
|
|
||||||
|
## 目录
|
||||||
|
1. [项目架构概述](#项目架构概述)
|
||||||
|
2. [添加新爬虫的完整流程](#添加新爬虫的完整流程)
|
||||||
|
3. [详细实现步骤](#详细实现步骤)
|
||||||
|
4. [示例代码](#示例代码)
|
||||||
|
5. [常见问题](#常见问题)
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 项目架构概述
|
||||||
|
|
||||||
|
### 核心组件
|
||||||
|
|
||||||
|
```
|
||||||
|
crawler-module/
|
||||||
|
├── src/
|
||||||
|
│ ├── base/ # 基类层
|
||||||
|
│ │ ├── crawler_base.py # 爬虫基类
|
||||||
|
│ │ └── parser_base.py # 解析器基类
|
||||||
|
│ ├── crawlers/ # 爬虫实现层
|
||||||
|
│ │ ├── netease/ # 网易爬虫
|
||||||
|
│ │ ├── kr36/ # 36氪爬虫
|
||||||
|
│ │ └── sina/ # 新浪爬虫
|
||||||
|
│ ├── parsers/ # 解析器层
|
||||||
|
│ │ ├── netease_parser.py
|
||||||
|
│ │ ├── kr36_parser.py
|
||||||
|
│ │ └── sina_parser.py
|
||||||
|
│ ├── utils/ # 工具层
|
||||||
|
│ │ ├── http_client.py # HTTP客户端
|
||||||
|
│ │ ├── selenium_driver.py # Selenium驱动
|
||||||
|
│ │ └── logger.py # 日志工具
|
||||||
|
│ ├── database/ # 数据层
|
||||||
|
│ │ ├── models.py # 数据模型
|
||||||
|
│ │ ├── repository.py # 数据访问
|
||||||
|
│ │ └── connection.py # 数据库连接
|
||||||
|
│ └── cli/ # CLI入口
|
||||||
|
│ └── main.py # 命令行接口
|
||||||
|
└── config/
|
||||||
|
├── config.yaml # 配置文件
|
||||||
|
└── settings.py # 配置加载器
|
||||||
|
```
|
||||||
|
|
||||||
|
### 架构设计模式
|
||||||
|
|
||||||
|
1. **基类继承模式**: 所有爬虫继承 `DynamicCrawler` 或 `StaticCrawler`
|
||||||
|
2. **解析器分离模式**: 爬虫负责抓取URL列表，解析器负责解析详情页
|
||||||
|
3. **配置驱动模式**: 通过 YAML 配置文件管理爬虫参数
|
||||||
|
4. **工厂模式**: CLI 通过动态导入创建爬虫实例
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 添加新爬虫的完整流程
|
||||||
|
|
||||||
|
### 步骤概览
|
||||||
|
|
||||||
|
```
|
||||||
|
1. 分析目标网站
|
||||||
|
↓
|
||||||
|
2. 创建爬虫类文件
|
||||||
|
↓
|
||||||
|
3. 创建解析器类文件
|
||||||
|
↓
|
||||||
|
4. 更新配置文件
|
||||||
|
↓
|
||||||
|
5. 注册爬虫到CLI
|
||||||
|
↓
|
||||||
|
6. 测试和调试
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 详细实现步骤
|
||||||
|
|
||||||
|
### 步骤 1: 分析目标网站
|
||||||
|
|
||||||
|
在编写代码之前，需要分析目标网站的以下信息：
|
||||||
|
|
||||||
|
#### 1.1 确定网站类型
|
||||||
|
- **静态网站**: 内容直接在 HTML 中，使用 `StaticCrawler`
|
||||||
|
- **动态网站**: 内容通过 JavaScript 加载，使用 `DynamicCrawler`
|
||||||
|
|
||||||
|
#### 1.2 确定关键信息
|
||||||
|
- 列表页 URL
|
||||||
|
- 文章 URL 提取规则（CSS 选择器）
|
||||||
|
- 文章详情页结构
|
||||||
|
- 标题、时间、作者、正文的选择器
|
||||||
|
|
||||||
|
#### 1.3 确定分类信息
|
||||||
|
- 分类名称（如：科技、娱乐、财经）
|
||||||
|
- 分类 ID（需与数据库一致）
|
||||||
|
- 分类代码（如：tech, entertainment, finance）
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 步骤 2: 创建爬虫类文件
|
||||||
|
|
||||||
|
#### 2.1 创建目录结构
|
||||||
|
|
||||||
|
假设要添加一个名为 `example` 的网站，分类为 `tech`：
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 创建网站目录
|
||||||
|
mkdir src/crawlers/example
|
||||||
|
|
||||||
|
# 创建 __init__.py
|
||||||
|
touch src/crawlers/example/__init__.py
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 2.2 编写爬虫类
|
||||||
|
|
||||||
|
创建文件 `src/crawlers/example/tech.py`：
|
||||||
|
|
||||||
|
```python
|
||||||
|
"""
|
||||||
|
Example 科技新闻爬虫
|
||||||
|
"""
|
||||||
|
|
||||||
|
from typing import List
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
|
||||||
|
|
||||||
|
from base.crawler_base import DynamicCrawler, Article
|
||||||
|
from parsers.example_parser import ExampleParser
|
||||||
|
|
||||||
|
|
||||||
|
class TechCrawler(DynamicCrawler):
|
||||||
|
"""Example 科技新闻爬虫"""
|
||||||
|
|
||||||
|
def _extract_article_urls(self, html: str) -> List[str]:
|
||||||
|
"""
|
||||||
|
从HTML中提取文章URL列表
|
||||||
|
|
||||||
|
Args:
|
||||||
|
html: 页面HTML内容
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章URL列表
|
||||||
|
"""
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
# 根据实际网站结构编写选择器
|
||||||
|
news_items = soup.select("div.news-list div.news-item")
|
||||||
|
|
||||||
|
for item in news_items:
|
||||||
|
article_link = item.select_one("a.title")
|
||||||
|
if article_link:
|
||||||
|
href = article_link.get('href')
|
||||||
|
if href:
|
||||||
|
# 处理相对路径
|
||||||
|
if href.startswith('/'):
|
||||||
|
href = f"https://www.example.com{href}"
|
||||||
|
urls.append(href)
|
||||||
|
|
||||||
|
return urls
|
||||||
|
|
||||||
|
def _fetch_articles(self, urls: List[str]) -> List[Article]:
|
||||||
|
"""
|
||||||
|
爬取文章详情
|
||||||
|
|
||||||
|
Args:
|
||||||
|
urls: 文章URL列表
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章列表
|
||||||
|
"""
|
||||||
|
articles = []
|
||||||
|
parser = ExampleParser()
|
||||||
|
|
||||||
|
for i, url in enumerate(urls[:self.max_articles]):
|
||||||
|
try:
|
||||||
|
article = parser.parse(url)
|
||||||
|
article.category_id = self.category_id
|
||||||
|
article.source = "Example"
|
||||||
|
|
||||||
|
if not article.author:
|
||||||
|
article.author = "Example科技"
|
||||||
|
|
||||||
|
if article.is_valid():
|
||||||
|
articles.append(article)
|
||||||
|
self.logger.info(f"[{i+1}/{len(urls)}] {article.title}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"解析文章失败: {url} - {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 2.3 爬虫类说明
|
||||||
|
|
||||||
|
**继承基类选择**:
|
||||||
|
- `DynamicCrawler`: 使用 Selenium，适合动态网站
|
||||||
|
- `StaticCrawler`: 使用 requests，适合静态网站
|
||||||
|
|
||||||
|
**必须实现的方法**:
|
||||||
|
- `_extract_article_urls(html)`: 从列表页提取文章 URL
|
||||||
|
- `_fetch_articles(urls)`: 爬取每篇文章的详情
|
||||||
|
|
||||||
|
**可用的属性**:
|
||||||
|
- `self.url`: 列表页 URL
|
||||||
|
- `self.category_id`: 分类 ID
|
||||||
|
- `self.category_name`: 分类名称
|
||||||
|
- `self.css_selector`: 等待加载的 CSS 选择器
|
||||||
|
- `self.max_articles`: 最大文章数
|
||||||
|
- `self.http_client`: HTTP 客户端（StaticCrawler）
|
||||||
|
- `self.driver`: Selenium 驱动（DynamicCrawler）
|
||||||
|
- `self.logger`: 日志记录器
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 步骤 3: 创建解析器类文件
|
||||||
|
|
||||||
|
#### 3.1 创建解析器文件
|
||||||
|
|
||||||
|
创建文件 `src/parsers/example_parser.py`：
|
||||||
|
|
||||||
|
```python
|
||||||
|
"""
|
||||||
|
Example 文章解析器
|
||||||
|
"""
|
||||||
|
|
||||||
|
import re
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
|
||||||
|
|
||||||
|
from base.parser_base import BaseParser
|
||||||
|
from base.crawler_base import Article
|
||||||
|
from utils.http_client import HttpClient
|
||||||
|
from utils.logger import get_logger
|
||||||
|
|
||||||
|
|
||||||
|
class ExampleParser(BaseParser):
|
||||||
|
"""Example 文章解析器"""
|
||||||
|
|
||||||
|
def __init__(self):
|
||||||
|
self.logger = get_logger(__name__)
|
||||||
|
self.http_client = HttpClient()
|
||||||
|
|
||||||
|
def parse(self, url: str) -> Article:
|
||||||
|
"""
|
||||||
|
解析文章详情页
|
||||||
|
|
||||||
|
Args:
|
||||||
|
url: 文章URL
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章对象
|
||||||
|
"""
|
||||||
|
# 获取页面 HTML
|
||||||
|
html = self.http_client.get(url)
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
|
||||||
|
# 提取标题
|
||||||
|
title = None
|
||||||
|
title_tag = soup.select_one("h1.article-title")
|
||||||
|
if title_tag:
|
||||||
|
title = title_tag.get_text(strip=True)
|
||||||
|
|
||||||
|
# 提取发布时间
|
||||||
|
publish_time = None
|
||||||
|
time_tag = soup.select_one("div.article-info span.publish-time")
|
||||||
|
if time_tag:
|
||||||
|
time_text = time_tag.get_text(strip=True)
|
||||||
|
# 标准化时间格式
|
||||||
|
time_match = re.search(r"\d{4}-\d{2}-\d{2}", time_text)
|
||||||
|
if time_match:
|
||||||
|
publish_time = time_match.group()
|
||||||
|
|
||||||
|
# 提取作者
|
||||||
|
author = None
|
||||||
|
author_tag = soup.select_one("div.article-info span.author")
|
||||||
|
if author_tag:
|
||||||
|
author = author_tag.get_text(strip=True)
|
||||||
|
|
||||||
|
# 提取正文内容
|
||||||
|
content_lines = []
|
||||||
|
article_body = soup.select_one("div.article-content")
|
||||||
|
|
||||||
|
if article_body:
|
||||||
|
# 移除不需要的标签
|
||||||
|
for tag in article_body.select("script, style, iframe, .ad"):
|
||||||
|
tag.decompose()
|
||||||
|
|
||||||
|
# 提取段落
|
||||||
|
for p in article_body.find_all("p"):
|
||||||
|
text = p.get_text(strip=True)
|
||||||
|
if text:
|
||||||
|
content_lines.append(text)
|
||||||
|
|
||||||
|
content = '\n'.join(content_lines)
|
||||||
|
|
||||||
|
return Article(
|
||||||
|
url=url,
|
||||||
|
title=title,
|
||||||
|
publish_time=publish_time,
|
||||||
|
author=author,
|
||||||
|
content=content,
|
||||||
|
)
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 3.2 解析器类说明
|
||||||
|
|
||||||
|
**必须实现的方法**:
|
||||||
|
- `parse(url)`: 解析文章详情页，返回 Article 对象
|
||||||
|
|
||||||
|
**Article 对象字段**:
|
||||||
|
- `url`: 文章 URL（必需）
|
||||||
|
- `title`: 文章标题（必需）
|
||||||
|
- `content`: 文章内容（必需）
|
||||||
|
- `publish_time`: 发布时间（可选）
|
||||||
|
- `author`: 作者（可选）
|
||||||
|
- `category_id`: 分类 ID（由爬虫设置）
|
||||||
|
- `source`: 新闻源（由爬虫设置）
|
||||||
|
|
||||||
|
**可用的工具**:
|
||||||
|
- `self.http_client`: HTTP 客户端
|
||||||
|
- `self.logger`: 日志记录器
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 步骤 4: 更新配置文件
|
||||||
|
|
||||||
|
编辑 `config/config.yaml`，在 `sources` 节点下添加新网站配置：
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
sources:
|
||||||
|
# ... 其他网站配置 ...
|
||||||
|
|
||||||
|
example:
|
||||||
|
base_url: "https://www.example.com"
|
||||||
|
categories:
|
||||||
|
tech:
|
||||||
|
url: "https://www.example.com/tech"
|
||||||
|
category_id: 4
|
||||||
|
name: "科技"
|
||||||
|
css_selector: "div.news-list" # 列表页等待加载的选择器
|
||||||
|
# 可以添加更多分类
|
||||||
|
entertainment:
|
||||||
|
url: "https://www.example.com/entertainment"
|
||||||
|
category_id: 1
|
||||||
|
name: "娱乐"
|
||||||
|
css_selector: "div.news-list"
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 配置项说明
|
||||||
|
|
||||||
|
| 配置项 | 说明 | 示例 |
|
||||||
|
|--------|------|------|
|
||||||
|
| `base_url` | 网站基础 URL | `https://www.example.com` |
|
||||||
|
| `url` | 列表页 URL | `https://www.example.com/tech` |
|
||||||
|
| `category_id` | 分类 ID（需与数据库一致） | `4` |
|
||||||
|
| `name` | 分类名称 | `科技` |
|
||||||
|
| `css_selector` | 列表页等待加载的选择器 | `div.news-list` |
|
||||||
|
|
||||||
|
#### 分类 ID 对照表
|
||||||
|
|
||||||
|
根据项目文档，分类 ID 如下：
|
||||||
|
|
||||||
|
| ID | 分类名称 | 代码 |
|
||||||
|
|----|----------|------|
|
||||||
|
| 1 | 娱乐 | entertainment |
|
||||||
|
| 2 | 体育 | sports |
|
||||||
|
| 3 | 财经 | finance |
|
||||||
|
| 4 | 科技 | tech |
|
||||||
|
| 5 | 军事 | war |
|
||||||
|
| 6 | 汽车 | auto |
|
||||||
|
| 7 | 政务 | gov |
|
||||||
|
| 8 | 健康 | health |
|
||||||
|
| 9 | AI | ai |
|
||||||
|
| 10 | 教育 | education |
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 步骤 5: 注册爬虫到 CLI
|
||||||
|
|
||||||
|
编辑 `src/cli/main.py`，在 `CRAWLER_CLASSES` 字典中添加新爬虫：
|
||||||
|
|
||||||
|
```python
|
||||||
|
CRAWLER_CLASSES = {
|
||||||
|
# ... 其他爬虫配置 ...
|
||||||
|
|
||||||
|
'example': {
|
||||||
|
'tech': ('crawlers.example.tech', 'TechCrawler'),
|
||||||
|
'entertainment': ('crawlers.example.entertainment', 'EntertainmentCrawler'),
|
||||||
|
# 可以添加更多分类
|
||||||
|
},
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 注册格式说明
|
||||||
|
|
||||||
|
```python
|
||||||
|
'网站代码': {
|
||||||
|
'分类代码': ('爬虫模块路径', '爬虫类名'),
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
**示例**:
|
||||||
|
- `'example'`: 网站代码（对应配置文件中的 sources.example）
|
||||||
|
- `'tech'`: 分类代码（对应配置文件中的 categories.tech）
|
||||||
|
- `'crawlers.example.tech'`: 模块路径（相对于 src 目录）
|
||||||
|
- `'TechCrawler'`: 爬虫类名
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
### 步骤 6: 测试和调试
|
||||||
|
|
||||||
|
#### 6.1 运行单个爬虫
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 进入项目目录
|
||||||
|
cd D:\tmp\write\news-classifier\crawler-module
|
||||||
|
|
||||||
|
# 运行新爬虫
|
||||||
|
python -m src.cli.main example:tech
|
||||||
|
|
||||||
|
# 限制爬取数量
|
||||||
|
python -m src.cli.main example:tech --max 3
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 6.2 列出所有爬虫
|
||||||
|
|
||||||
|
```bash
|
||||||
|
python -m src.cli.main --list
|
||||||
|
```
|
||||||
|
|
||||||
|
应该能看到新添加的爬虫：
|
||||||
|
```
|
||||||
|
可用的爬虫:
|
||||||
|
- netease:entertainment
|
||||||
|
- netease:tech
|
||||||
|
- kr36:ai
|
||||||
|
- example:tech
|
||||||
|
- example:entertainment
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 6.3 查看日志
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 日志文件位置
|
||||||
|
type logs\crawler.log
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 6.4 调试技巧
|
||||||
|
|
||||||
|
**开启调试模式**:
|
||||||
|
```bash
|
||||||
|
python -m src.cli.main example:tech --debug
|
||||||
|
```
|
||||||
|
|
||||||
|
**手动测试解析器**:
|
||||||
|
```python
|
||||||
|
from parsers.example_parser import ExampleParser
|
||||||
|
|
||||||
|
parser = ExampleParser()
|
||||||
|
article = parser.parse("https://www.example.com/article/123")
|
||||||
|
print(article.title)
|
||||||
|
print(article.content)
|
||||||
|
```
|
||||||
|
|
||||||
|
**手动测试爬虫**:
|
||||||
|
```python
|
||||||
|
from crawlers.example.tech import TechCrawler
|
||||||
|
|
||||||
|
crawler = TechCrawler('example', 'tech')
|
||||||
|
crawler.max_articles = 3
|
||||||
|
articles = crawler.crawl()
|
||||||
|
|
||||||
|
for article in articles:
|
||||||
|
print(article.title)
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 示例代码
|
||||||
|
|
||||||
|
### 完整示例：添加新浪娱乐爬虫
|
||||||
|
|
||||||
|
假设我们要为新浪网站添加娱乐分类爬虫：
|
||||||
|
|
||||||
|
#### 1. 创建爬虫类
|
||||||
|
|
||||||
|
文件：`src/crawlers/sina/entertainment.py`
|
||||||
|
|
||||||
|
```python
|
||||||
|
"""
|
||||||
|
新浪娱乐新闻爬虫
|
||||||
|
"""
|
||||||
|
|
||||||
|
from typing import List
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
|
||||||
|
|
||||||
|
from base.crawler_base import DynamicCrawler, Article
|
||||||
|
from parsers.sina_parser import SinaEntertainmentParser
|
||||||
|
|
||||||
|
|
||||||
|
class EntertainmentCrawler(DynamicCrawler):
|
||||||
|
"""新浪娱乐新闻爬虫"""
|
||||||
|
|
||||||
|
def _extract_article_urls(self, html: str) -> List[str]:
|
||||||
|
"""从HTML中提取文章URL列表"""
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
# 新浪娱乐列表页选择器
|
||||||
|
news_items = soup.select("div.feed_card.ty-feed-card-container div.cardlist-a__list div.ty-card.ty-card-type1")
|
||||||
|
|
||||||
|
for item in news_items:
|
||||||
|
article_link = item.select_one("a")
|
||||||
|
if article_link:
|
||||||
|
href = article_link.get('href')
|
||||||
|
if href:
|
||||||
|
urls.append(href)
|
||||||
|
|
||||||
|
return urls
|
||||||
|
|
||||||
|
def _fetch_articles(self, urls: List[str]) -> List[Article]:
|
||||||
|
"""爬取文章详情"""
|
||||||
|
articles = []
|
||||||
|
parser = SinaEntertainmentParser()
|
||||||
|
|
||||||
|
for i, url in enumerate(urls[:self.max_articles]):
|
||||||
|
try:
|
||||||
|
article = parser.parse(url)
|
||||||
|
article.category_id = self.category_id
|
||||||
|
article.source = "新浪"
|
||||||
|
|
||||||
|
if not article.author:
|
||||||
|
article.author = "新浪娱乐"
|
||||||
|
|
||||||
|
if article.is_valid():
|
||||||
|
articles.append(article)
|
||||||
|
self.logger.info(f"[{i+1}/{len(urls)}] {article.title}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"解析文章失败: {url} - {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 2. 创建解析器类
|
||||||
|
|
||||||
|
文件：`src/parsers/sina_parser.py`（在文件末尾添加）
|
||||||
|
|
||||||
|
```python
|
||||||
|
class SinaEntertainmentParser(BaseParser):
|
||||||
|
"""新浪网娱乐新闻解析器"""
|
||||||
|
|
||||||
|
def __init__(self):
|
||||||
|
self.logger = get_logger(__name__)
|
||||||
|
self.http_client = HttpClient()
|
||||||
|
|
||||||
|
def parse(self, url: str) -> Article:
|
||||||
|
"""解析新浪网文章详情页"""
|
||||||
|
html = self.http_client.get(url)
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
|
||||||
|
# 获取文章标题
|
||||||
|
article_title_tag = soup.select_one("div.main-content h1.main-title")
|
||||||
|
article_title = article_title_tag.get_text(strip=True) if article_title_tag else "未知标题"
|
||||||
|
|
||||||
|
# 获取文章发布时间
|
||||||
|
time_tag = soup.select_one("div.main-content div.top-bar-wrap div.date-source span.date")
|
||||||
|
publish_time = time_tag.get_text(strip=True) if time_tag else "1949-01-01 12:00:00"
|
||||||
|
|
||||||
|
# 获取文章作者
|
||||||
|
author_tag = soup.select_one("div.main-content div.top-bar-wrap div.date-source a")
|
||||||
|
author = author_tag.get_text(strip=True) if author_tag else "未知"
|
||||||
|
|
||||||
|
# 获取文章正文段落
|
||||||
|
article_div = soup.select_one("div.main-content div.article")
|
||||||
|
if not article_div:
|
||||||
|
raise ValueError("无法找到文章内容")
|
||||||
|
|
||||||
|
paragraphs = article_div.find_all('p')
|
||||||
|
content = '\n'.join(p.get_text(strip=True) for p in paragraphs if p.get_text(strip=True))
|
||||||
|
|
||||||
|
return Article(
|
||||||
|
url=url,
|
||||||
|
title=article_title,
|
||||||
|
publish_time=publish_time,
|
||||||
|
author=author,
|
||||||
|
content=content,
|
||||||
|
)
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 3. 更新配置文件
|
||||||
|
|
||||||
|
文件：`config/config.yaml`
|
||||||
|
|
||||||
|
```yaml
|
||||||
|
sina:
|
||||||
|
base_url: "https://sina.com.cn"
|
||||||
|
categories:
|
||||||
|
auto:
|
||||||
|
url: "https://auto.sina.com.cn/"
|
||||||
|
category_id: 6
|
||||||
|
name: "汽车"
|
||||||
|
css_selector: "div.feed_card.ty-feed-card-container div.cardlist-a__list div.ty-card.ty-card-type1"
|
||||||
|
detail_css_selector: "div.main-content"
|
||||||
|
gov:
|
||||||
|
url: "https://gov.sina.com.cn/"
|
||||||
|
category_id: 7
|
||||||
|
name: "政务"
|
||||||
|
css_selector: "a[href]"
|
||||||
|
entertainment: # 新增
|
||||||
|
url: "https://ent.sina.com.cn/"
|
||||||
|
category_id: 1
|
||||||
|
name: "娱乐"
|
||||||
|
css_selector: "div.feed_card.ty-feed-card-container div.cardlist-a__list"
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 4. 注册爬虫到 CLI
|
||||||
|
|
||||||
|
文件：`src/cli/main.py`
|
||||||
|
|
||||||
|
```python
|
||||||
|
CRAWLER_CLASSES = {
|
||||||
|
# ... 其他配置 ...
|
||||||
|
|
||||||
|
'sina': {
|
||||||
|
'auto': ('crawlers.sina.auto', 'SinaAutoCrawler'),
|
||||||
|
'gov': ('crawlers.sina.gov', 'SinaGovCrawler'),
|
||||||
|
'entertainment': ('crawlers.sina.entertainment', 'EntertainmentCrawler'), # 新增
|
||||||
|
},
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
#### 5. 测试运行
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 运行爬虫
|
||||||
|
python -m src.cli.main sina:entertainment
|
||||||
|
|
||||||
|
# 限制数量测试
|
||||||
|
python -m src.cli.main sina:entertainment --max 3
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 常见问题
|
||||||
|
|
||||||
|
### Q1: 如何确定使用 DynamicCrawler 还是 StaticCrawler？
|
||||||
|
|
||||||
|
**判断方法**:
|
||||||
|
1. 使用浏览器查看网页源代码（Ctrl+U）
|
||||||
|
2. 如果源代码中包含完整的文章列表和内容，使用 `StaticCrawler`
|
||||||
|
3. 如果源代码中内容很少，内容通过 JavaScript 动态加载，使用 `DynamicCrawler`
|
||||||
|
|
||||||
|
**示例**:
|
||||||
|
- 网易新闻：列表页需要滚动加载 → `DynamicCrawler`
|
||||||
|
- 简单的博客网站：内容直接在 HTML 中 → `StaticCrawler`
|
||||||
|
|
||||||
|
### Q2: 如何找到正确的 CSS 选择器？
|
||||||
|
|
||||||
|
**方法 1: 使用浏览器开发者工具**
|
||||||
|
1. 按 F12 打开开发者工具
|
||||||
|
2. 使用元素选择器（Ctrl+Shift+C）点击目标元素
|
||||||
|
3. 在 Elements 面板中，右键点击元素 → Copy → Copy selector
|
||||||
|
|
||||||
|
**方法 2: 使用 BeautifulSoup 测试**
|
||||||
|
```python
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
html = """<html>...</html>"""
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
elements = soup.select("div.news-list a")
|
||||||
|
print(len(elements))
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q3: 爬虫运行失败，如何调试？
|
||||||
|
|
||||||
|
**步骤**:
|
||||||
|
1. 查看日志文件：`logs\crawler.log`
|
||||||
|
2. 开启调试模式：`python -m src.cli.main example:tech --debug`
|
||||||
|
3. 手动测试 URL 是否可访问
|
||||||
|
4. 检查 CSS 选择器是否正确
|
||||||
|
5. 检查网站是否有反爬机制（如需要登录、验证码）
|
||||||
|
|
||||||
|
**常见错误**:
|
||||||
|
- `未找到新闻列表`: CSS 选择器错误
|
||||||
|
- `解析文章失败`: URL 格式错误或网站结构变化
|
||||||
|
- `HTTP请求失败`: 网络问题或被反爬
|
||||||
|
|
||||||
|
### Q4: 如何处理相对路径的 URL？
|
||||||
|
|
||||||
|
```python
|
||||||
|
href = article_link.get('href')
|
||||||
|
|
||||||
|
if href.startswith('/'):
|
||||||
|
# 相对路径，拼接基础 URL
|
||||||
|
base_url = "https://www.example.com"
|
||||||
|
href = base_url + href
|
||||||
|
elif href.startswith('http'):
|
||||||
|
# 绝对路径，直接使用
|
||||||
|
pass
|
||||||
|
else:
|
||||||
|
# 其他情况，拼接当前页面的基础路径
|
||||||
|
href = "https://www.example.com/" + href
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q5: 如何处理时间格式不一致？
|
||||||
|
|
||||||
|
```python
|
||||||
|
import re
|
||||||
|
from datetime import datetime
|
||||||
|
|
||||||
|
def normalize_time(time_str):
|
||||||
|
"""标准化时间格式"""
|
||||||
|
# 定义多种时间格式
|
||||||
|
formats = [
|
||||||
|
"%Y年%m月%d日 %H:%M",
|
||||||
|
"%Y-%m-%d %H:%M:%S",
|
||||||
|
"%Y/%m/%d %H:%M",
|
||||||
|
"%Y.%m.%d %H:%M",
|
||||||
|
]
|
||||||
|
|
||||||
|
for fmt in formats:
|
||||||
|
try:
|
||||||
|
dt = datetime.strptime(time_str, fmt)
|
||||||
|
return dt.strftime("%Y-%m-%d %H:%M:%S")
|
||||||
|
except:
|
||||||
|
continue
|
||||||
|
|
||||||
|
# 如果都不匹配，返回默认值
|
||||||
|
return "1949-01-01 12:00:00"
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q6: 如何提取干净的正文内容？
|
||||||
|
|
||||||
|
```python
|
||||||
|
# 移除不需要的标签
|
||||||
|
for tag in article_body.select("script, style, iframe, .ad, .comment"):
|
||||||
|
tag.decompose()
|
||||||
|
|
||||||
|
# 提取段落
|
||||||
|
content_lines = []
|
||||||
|
for p in article_body.find_all("p"):
|
||||||
|
text = p.get_text(strip=True)
|
||||||
|
if text and len(text) > 10: # 过滤太短的段落
|
||||||
|
content_lines.append(text)
|
||||||
|
|
||||||
|
content = '\n'.join(content_lines)
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q7: 如何处理文章重复？
|
||||||
|
|
||||||
|
系统自动处理重复：
|
||||||
|
1. 通过 URL 去重
|
||||||
|
2. 通过内容哈希（content_hash）去重
|
||||||
|
3. 使用 `INSERT IGNORE` 语句避免重复插入
|
||||||
|
|
||||||
|
**查看重复数据**:
|
||||||
|
```sql
|
||||||
|
SELECT url, COUNT(*) as count
|
||||||
|
FROM news
|
||||||
|
GROUP BY url
|
||||||
|
HAVING count > 1;
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q8: 如何批量运行所有爬虫？
|
||||||
|
|
||||||
|
```bash
|
||||||
|
# 运行所有爬虫
|
||||||
|
python -m src.cli.main --all
|
||||||
|
|
||||||
|
# 限制每个爬虫的数量
|
||||||
|
python -m src.cli.main --all --max 5
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q9: 如何修改最大爬取数量？
|
||||||
|
|
||||||
|
**方法 1: 命令行参数**
|
||||||
|
```bash
|
||||||
|
python -m src.cli.main example:tech --max 20
|
||||||
|
```
|
||||||
|
|
||||||
|
**方法 2: 配置文件**
|
||||||
|
编辑 `config/config.yaml`:
|
||||||
|
```yaml
|
||||||
|
crawlers:
|
||||||
|
max_articles: 20 # 修改全局默认值
|
||||||
|
```
|
||||||
|
|
||||||
|
### Q10: 爬虫运行很慢，如何优化？
|
||||||
|
|
||||||
|
**优化策略**:
|
||||||
|
1. 减少 `max_articles` 数量
|
||||||
|
2. 调整 `selenium.scroll_pause_time`（滚动暂停时间）
|
||||||
|
3. 减少 `selenium.max_scroll_times`（最大滚动次数）
|
||||||
|
4. 使用 `StaticCrawler` 代替 `DynamicCrawler`（如果可能）
|
||||||
|
|
||||||
|
**配置示例**:
|
||||||
|
```yaml
|
||||||
|
selenium:
|
||||||
|
scroll_pause_time: 0.5 # 减少暂停时间
|
||||||
|
max_scroll_times: 3 # 减少滚动次数
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 附录
|
||||||
|
|
||||||
|
### A. 数据库表结构
|
||||||
|
|
||||||
|
```sql
|
||||||
|
CREATE TABLE `news` (
|
||||||
|
`id` int NOT NULL AUTO_INCREMENT,
|
||||||
|
`url` varchar(500) NOT NULL COMMENT '文章URL',
|
||||||
|
`title` varchar(500) NOT NULL COMMENT '文章标题',
|
||||||
|
`content` text COMMENT '文章内容',
|
||||||
|
`category_id` int NOT NULL COMMENT '分类ID',
|
||||||
|
`publish_time` varchar(50) DEFAULT NULL COMMENT '发布时间',
|
||||||
|
`author` varchar(100) DEFAULT NULL COMMENT '作者',
|
||||||
|
`source` varchar(50) DEFAULT NULL COMMENT '新闻源',
|
||||||
|
`content_hash` varchar(64) DEFAULT NULL COMMENT '内容哈希',
|
||||||
|
`created_at` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
|
||||||
|
PRIMARY KEY (`id`),
|
||||||
|
UNIQUE KEY `url` (`url`),
|
||||||
|
KEY `content_hash` (`content_hash`),
|
||||||
|
KEY `category_id` (`category_id`)
|
||||||
|
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='新闻表';
|
||||||
|
```
|
||||||
|
|
||||||
|
### B. 分类表结构
|
||||||
|
|
||||||
|
```sql
|
||||||
|
CREATE TABLE `news_category` (
|
||||||
|
`id` int NOT NULL AUTO_INCREMENT,
|
||||||
|
`name` varchar(50) NOT NULL COMMENT '分类名称',
|
||||||
|
`code` varchar(50) NOT NULL COMMENT '分类代码',
|
||||||
|
`description` varchar(200) DEFAULT NULL COMMENT '描述',
|
||||||
|
`sort_order` int DEFAULT 0 COMMENT '排序',
|
||||||
|
PRIMARY KEY (`id`),
|
||||||
|
UNIQUE KEY `code` (`code`)
|
||||||
|
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='新闻分类表';
|
||||||
|
```
|
||||||
|
|
||||||
|
### C. 常用 CSS 选择器示例
|
||||||
|
|
||||||
|
```python
|
||||||
|
# 通过 ID 选择
|
||||||
|
soup.select_one("#article-title")
|
||||||
|
|
||||||
|
# 通过 class 选择
|
||||||
|
soup.select_one(".article-title")
|
||||||
|
soup.select_one("div.article-title")
|
||||||
|
|
||||||
|
# 通过属性选择
|
||||||
|
soup.select_one("a[href^='/article/']")
|
||||||
|
|
||||||
|
# 组合选择
|
||||||
|
soup.select_one("div.news-list div.news-item a.title")
|
||||||
|
|
||||||
|
# 多层级选择
|
||||||
|
soup.select_one("div.main-content > div.article > p")
|
||||||
|
|
||||||
|
# 伪类选择
|
||||||
|
soup.select_one("ul.news-list li:first-child a")
|
||||||
|
```
|
||||||
|
|
||||||
|
### D. BeautifulSoup 常用方法
|
||||||
|
|
||||||
|
```python
|
||||||
|
# 获取文本
|
||||||
|
element.get_text(strip=True)
|
||||||
|
|
||||||
|
# 获取属性
|
||||||
|
element.get('href')
|
||||||
|
element.get('class')
|
||||||
|
|
||||||
|
# 查找单个元素
|
||||||
|
soup.select_one("div.title")
|
||||||
|
soup.find("div", class_="title")
|
||||||
|
|
||||||
|
# 查找多个元素
|
||||||
|
soup.select("div.news-item")
|
||||||
|
soup.find_all("div", class_="news-item")
|
||||||
|
|
||||||
|
# 父元素和子元素
|
||||||
|
parent = element.parent
|
||||||
|
children = element.children
|
||||||
|
```
|
||||||
|
|
||||||
|
### E. 项目依赖
|
||||||
|
|
||||||
|
查看 `requirements.txt`:
|
||||||
|
```
|
||||||
|
requests>=2.31.0
|
||||||
|
beautifulsoup4>=4.12.0
|
||||||
|
lxml>=4.9.0
|
||||||
|
selenium>=4.15.0
|
||||||
|
PyYAML>=6.0
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 总结
|
||||||
|
|
||||||
|
添加新爬虫的核心步骤：
|
||||||
|
|
||||||
|
1. ✅ 分析目标网站结构
|
||||||
|
2. ✅ 创建爬虫类（继承 `DynamicCrawler` 或 `StaticCrawler`）
|
||||||
|
3. ✅ 创建解析器类（继承 `BaseParser`）
|
||||||
|
4. ✅ 更新配置文件（`config.yaml`）
|
||||||
|
5. ✅ 注册爬虫到 CLI（`src/cli/main.py`）
|
||||||
|
6. ✅ 测试运行
|
||||||
|
|
||||||
|
遵循本指南，您可以为新闻爬虫系统添加任意数量的新网站和分类爬虫。
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
**文档版本**: 1.0
|
||||||
|
**最后更新**: 2026-01-15
|
||||||
|
**维护者**: 新闻爬虫项目组
|
||||||
|
|
@ -1,33 +0,0 @@
|
||||||
|
|
||||||
这是36kr关于爬取健康相关新闻的代码
|
|
||||||
```python
|
|
||||||
import requests
|
|
||||||
from bs4 import BeautifulSoup
|
|
||||||
import re
|
|
||||||
|
|
||||||
URL = "https://www.36kr.com/search/articles/%E5%81%A5%E5%BA%B7"
|
|
||||||
TARGET_URL = "https://www.36kr.com"
|
|
||||||
headers = {
|
|
||||||
"User-Agent": (
|
|
||||||
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
|
|
||||||
"AppleWebKit/537.36 (KHTML, like Gecko) "
|
|
||||||
"Chrome/120.0.0.0 Safari/537.36"
|
|
||||||
)
|
|
||||||
}
|
|
||||||
resp = requests.get(URL,headers=headers,timeout=10)
|
|
||||||
resp.raise_for_status()
|
|
||||||
resp.encoding = "utf-8"
|
|
||||||
# print(resp.text)
|
|
||||||
with open("example/example-11.html","r",encoding="utf-8") as f:
|
|
||||||
html = f.read()
|
|
||||||
|
|
||||||
# soup = BeautifulSoup(resp.text,"lxml")
|
|
||||||
soup = BeautifulSoup(html,"lxml")
|
|
||||||
li_list = soup.select("div.kr-layout div.kr-layout-main div.kr-layout-content div.kr-search-result-list ul.kr-search-result-list-main > li")
|
|
||||||
|
|
||||||
for item in li_list:
|
|
||||||
a = item.select_one("div.kr-shadow-content a")
|
|
||||||
href = TARGET_URL+ a.get("href")
|
|
||||||
print(href)
|
|
||||||
|
|
||||||
```
|
|
||||||
|
|
@ -34,6 +34,12 @@ CRAWLER_CLASSES = {
|
||||||
},
|
},
|
||||||
'sina': {
|
'sina': {
|
||||||
'auto': ('crawlers.sina.auto', 'SinaAutoCrawler'),
|
'auto': ('crawlers.sina.auto', 'SinaAutoCrawler'),
|
||||||
|
'gov': ('crawlers.sina.gov', 'SinaGovCrawler'),
|
||||||
|
},
|
||||||
|
'tencent': {
|
||||||
|
'auto': ('crawlers.tencent.auto', 'AutoCrawler'),
|
||||||
|
'war': ('crawlers.tencent.war', 'WarCrawler'),
|
||||||
|
'war_web': ('crawlers.tencent.war_web', 'WarWebCrawler'),
|
||||||
},
|
},
|
||||||
}
|
}
|
||||||
|
|
||||||
|
|
@ -62,6 +68,11 @@ def list_crawlers() -> List[str]:
|
||||||
for category in sina_categories.keys():
|
for category in sina_categories.keys():
|
||||||
crawlers.append(f"sina:{category}")
|
crawlers.append(f"sina:{category}")
|
||||||
|
|
||||||
|
# 腾讯爬虫
|
||||||
|
tencent_categories = config.get('sources.tencent.categories', {})
|
||||||
|
for category in tencent_categories.keys():
|
||||||
|
crawlers.append(f"tencent:{category}")
|
||||||
|
|
||||||
return crawlers
|
return crawlers
|
||||||
|
|
||||||
|
|
||||||
|
|
|
||||||
|
|
@ -0,0 +1,68 @@
|
||||||
|
"""
|
||||||
|
新浪政务新闻爬虫
|
||||||
|
"""
|
||||||
|
|
||||||
|
from typing import List
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
import re
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
|
||||||
|
|
||||||
|
from base.crawler_base import StaticCrawler, Article
|
||||||
|
from parsers.sina_parser import SinaAutoParser
|
||||||
|
|
||||||
|
|
||||||
|
class SinaGovCrawler(StaticCrawler):
|
||||||
|
"""新浪政务新闻爬虫"""
|
||||||
|
|
||||||
|
def _extract_article_urls(self, html: str) -> List[str]:
|
||||||
|
"""从HTML中提取文章URL列表"""
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
# 遍历所有带href的a标签
|
||||||
|
for a in soup.select("a[href]"):
|
||||||
|
href = a.get("href")
|
||||||
|
|
||||||
|
if not href:
|
||||||
|
continue
|
||||||
|
|
||||||
|
# 补全 // 开头的链接
|
||||||
|
if href.startswith("//"):
|
||||||
|
href = "https:" + href
|
||||||
|
|
||||||
|
# 正则匹配真正的新闻正文页
|
||||||
|
# 格式: https://news.sina.com.cn/xxx/2024-01-14/doc-xxxxxxxxx.shtml
|
||||||
|
if re.search(r"^https://news\.sina\.com\.cn/.+/\d{4}-\d{2}-\d{2}/doc-.*\.shtml$", href):
|
||||||
|
title = a.get_text(strip=True)
|
||||||
|
if title: # 有标题，这才是新闻
|
||||||
|
urls.append(href)
|
||||||
|
|
||||||
|
# 去重
|
||||||
|
return list(dict.fromkeys(urls))
|
||||||
|
|
||||||
|
def _fetch_articles(self, urls: List[str]) -> List[Article]:
|
||||||
|
"""爬取文章详情"""
|
||||||
|
articles = []
|
||||||
|
parser = SinaAutoParser()
|
||||||
|
|
||||||
|
for i, url in enumerate(urls[:self.max_articles]):
|
||||||
|
try:
|
||||||
|
article = parser.parse(url)
|
||||||
|
article.category_id = self.category_id
|
||||||
|
article.source = "新浪"
|
||||||
|
|
||||||
|
if not article.author:
|
||||||
|
article.author = "新浪政务"
|
||||||
|
|
||||||
|
if article.is_valid():
|
||||||
|
articles.append(article)
|
||||||
|
self.logger.info(f"[{i+1}/{len(urls)}] {article.title}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"解析文章失败: {url} - {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
|
@ -0,0 +1,2 @@
|
||||||
|
|
||||||
|
# 腾讯新闻爬虫
|
||||||
|
|
@ -0,0 +1,210 @@
|
||||||
|
"""
|
||||||
|
腾讯汽车新闻爬虫
|
||||||
|
"""
|
||||||
|
|
||||||
|
import time
|
||||||
|
import random
|
||||||
|
import hashlib
|
||||||
|
from typing import List
|
||||||
|
import requests
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
|
||||||
|
|
||||||
|
from base.crawler_base import StaticCrawler, Article
|
||||||
|
from parsers.tencent_parser import TencentParser
|
||||||
|
|
||||||
|
|
||||||
|
class AutoCrawler(StaticCrawler):
|
||||||
|
"""腾讯汽车新闻爬虫"""
|
||||||
|
|
||||||
|
def __init__(self, source: str, category: str):
|
||||||
|
super().__init__(source, category)
|
||||||
|
|
||||||
|
# 腾讯API配置
|
||||||
|
self.api_url = "https://i.news.qq.com/web_feed/getPCList"
|
||||||
|
self.channel_id = "news_news_auto" # 汽车频道
|
||||||
|
self.seen_ids = set()
|
||||||
|
self.item_count = 20 # 每页固定请求20条
|
||||||
|
|
||||||
|
def _generate_trace_id(self):
|
||||||
|
"""生成trace_id"""
|
||||||
|
random_str = str(random.random()) + str(time.time())
|
||||||
|
return "0_" + hashlib.md5(random_str.encode()).hexdigest()[:12]
|
||||||
|
|
||||||
|
def crawl(self) -> List[Article]:
|
||||||
|
"""
|
||||||
|
执行爬取任务（重写基类方法以支持API接口）
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章列表
|
||||||
|
"""
|
||||||
|
self.logger.info(f"开始爬取腾讯{self.category_name}新闻")
|
||||||
|
|
||||||
|
try:
|
||||||
|
# 生成设备ID
|
||||||
|
device_id = self._generate_trace_id()
|
||||||
|
|
||||||
|
# 获取文章URL列表
|
||||||
|
article_urls = self._fetch_article_urls_from_api(device_id)
|
||||||
|
self.logger.info(f"找到 {len(article_urls)} 篇文章")
|
||||||
|
|
||||||
|
# 爬取文章详情
|
||||||
|
articles = self._fetch_articles(article_urls)
|
||||||
|
|
||||||
|
self.logger.info(f"成功爬取 {len(articles)} 篇文章")
|
||||||
|
return articles
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"爬取失败: {e}", exc_info=True)
|
||||||
|
return []
|
||||||
|
finally:
|
||||||
|
self._cleanup()
|
||||||
|
|
||||||
|
def _fetch_article_urls_from_api(self, device_id: str) -> List[str]:
|
||||||
|
"""
|
||||||
|
从API获取文章URL列表
|
||||||
|
|
||||||
|
Args:
|
||||||
|
device_id: 设备ID
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章URL列表
|
||||||
|
"""
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
# 根据 max_articles 动态计算需要抓取的页数
|
||||||
|
# 每页20条，向上取整
|
||||||
|
import math
|
||||||
|
max_pages = math.ceil(self.max_articles / self.item_count)
|
||||||
|
self.logger.info(f"根据 max_articles={self.max_articles}，计算需要抓取 {max_pages} 页")
|
||||||
|
|
||||||
|
for flush_num in range(max_pages):
|
||||||
|
payload = {
|
||||||
|
"base_req": {"from": "pc"},
|
||||||
|
"forward": "1",
|
||||||
|
"qimei36": device_id,
|
||||||
|
"device_id": device_id,
|
||||||
|
"flush_num": flush_num + 1,
|
||||||
|
"channel_id": self.channel_id,
|
||||||
|
"item_count": self.item_count,
|
||||||
|
"is_local_chlid": "0"
|
||||||
|
}
|
||||||
|
|
||||||
|
try:
|
||||||
|
headers = {
|
||||||
|
"User-Agent": self.http_client.session.headers.get("User-Agent"),
|
||||||
|
"Referer": "https://new.qq.com/",
|
||||||
|
"Origin": "https://new.qq.com",
|
||||||
|
"Content-Type": "application/json"
|
||||||
|
}
|
||||||
|
|
||||||
|
response = requests.post(
|
||||||
|
self.api_url,
|
||||||
|
headers=headers,
|
||||||
|
json=payload,
|
||||||
|
timeout=10
|
||||||
|
)
|
||||||
|
|
||||||
|
if response.status_code == 200:
|
||||||
|
data = response.json()
|
||||||
|
if data.get("code") == 0 and "data" in data:
|
||||||
|
news_list = data["data"]
|
||||||
|
if not news_list:
|
||||||
|
self.logger.info("没有更多数据了")
|
||||||
|
break
|
||||||
|
|
||||||
|
# 提取URL
|
||||||
|
for item in news_list:
|
||||||
|
news_id = item.get("id")
|
||||||
|
|
||||||
|
# 去重
|
||||||
|
if news_id in self.seen_ids:
|
||||||
|
continue
|
||||||
|
self.seen_ids.add(news_id)
|
||||||
|
|
||||||
|
# 过滤视频新闻（articletype == "4"）
|
||||||
|
article_type = item.get("articletype")
|
||||||
|
if article_type == "4":
|
||||||
|
continue
|
||||||
|
|
||||||
|
# 提取URL
|
||||||
|
url = item.get("link_info", {}).get("url")
|
||||||
|
if url:
|
||||||
|
urls.append(url)
|
||||||
|
|
||||||
|
# 如果已经获取到足够的文章数量，提前终止
|
||||||
|
if len(urls) >= self.max_articles:
|
||||||
|
self.logger.info(f"已获取 {len(urls)} 篇文章，达到目标数量，停止抓取")
|
||||||
|
break
|
||||||
|
|
||||||
|
# 如果外层循环也需要终止
|
||||||
|
if len(urls) >= self.max_articles:
|
||||||
|
break
|
||||||
|
|
||||||
|
else:
|
||||||
|
self.logger.warning(f"接口返回错误: {data.get('message')}")
|
||||||
|
else:
|
||||||
|
self.logger.warning(f"HTTP请求失败: {response.status_code}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"获取API数据失败: {e}")
|
||||||
|
|
||||||
|
# 延迟，避免请求过快
|
||||||
|
time.sleep(random.uniform(1, 2))
|
||||||
|
|
||||||
|
return urls
|
||||||
|
|
||||||
|
def _fetch_page(self) -> str:
|
||||||
|
"""
|
||||||
|
获取页面HTML（腾讯爬虫不使用此方法）
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
空字符串
|
||||||
|
"""
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def _extract_article_urls(self, html: str) -> List[str]:
|
||||||
|
"""
|
||||||
|
从HTML中提取文章URL列表（腾讯爬虫不使用此方法）
|
||||||
|
|
||||||
|
Args:
|
||||||
|
html: 页面HTML内容
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
空列表
|
||||||
|
"""
|
||||||
|
return []
|
||||||
|
|
||||||
|
def _fetch_articles(self, urls: List[str]) -> List[Article]:
|
||||||
|
"""
|
||||||
|
爬取文章详情
|
||||||
|
|
||||||
|
Args:
|
||||||
|
urls: 文章URL列表
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章列表
|
||||||
|
"""
|
||||||
|
articles = []
|
||||||
|
parser = TencentParser()
|
||||||
|
|
||||||
|
for i, url in enumerate(urls[:self.max_articles]):
|
||||||
|
try:
|
||||||
|
article = parser.parse(url)
|
||||||
|
article.category_id = self.category_id
|
||||||
|
article.source = "腾讯"
|
||||||
|
|
||||||
|
if not article.author:
|
||||||
|
article.author = "腾讯汽车"
|
||||||
|
|
||||||
|
if article.is_valid():
|
||||||
|
articles.append(article)
|
||||||
|
self.logger.info(f"[{i+1}/{len(urls)}] {article.title}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"解析文章失败: {url} - {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
|
@ -0,0 +1,211 @@
|
||||||
|
"""
|
||||||
|
腾讯军事新闻爬虫（API版）
|
||||||
|
使用腾讯新闻 API 接口获取数据，性能更好
|
||||||
|
"""
|
||||||
|
|
||||||
|
import time
|
||||||
|
import random
|
||||||
|
import hashlib
|
||||||
|
from typing import List
|
||||||
|
import requests
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
|
||||||
|
|
||||||
|
from base.crawler_base import StaticCrawler, Article
|
||||||
|
from parsers.tencent_parser import TencentParser
|
||||||
|
|
||||||
|
|
||||||
|
class WarCrawler(StaticCrawler):
|
||||||
|
"""腾讯军事新闻爬虫（API版）"""
|
||||||
|
|
||||||
|
def __init__(self, source: str, category: str):
|
||||||
|
super().__init__(source, category)
|
||||||
|
|
||||||
|
# 腾讯API配置
|
||||||
|
self.api_url = "https://i.news.qq.com/web_feed/getPCList"
|
||||||
|
self.channel_id = "news_news_mil" # 军事频道
|
||||||
|
self.seen_ids = set()
|
||||||
|
self.item_count = 20 # 每页固定请求20条
|
||||||
|
|
||||||
|
def _generate_trace_id(self):
|
||||||
|
"""生成trace_id"""
|
||||||
|
random_str = str(random.random()) + str(time.time())
|
||||||
|
return "0_" + hashlib.md5(random_str.encode()).hexdigest()[:12]
|
||||||
|
|
||||||
|
def crawl(self) -> List[Article]:
|
||||||
|
"""
|
||||||
|
执行爬取任务（重写基类方法以支持API接口）
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章列表
|
||||||
|
"""
|
||||||
|
self.logger.info(f"开始爬取腾讯{self.category_name}新闻")
|
||||||
|
|
||||||
|
try:
|
||||||
|
# 生成设备ID
|
||||||
|
device_id = self._generate_trace_id()
|
||||||
|
|
||||||
|
# 获取文章URL列表
|
||||||
|
article_urls = self._fetch_article_urls_from_api(device_id)
|
||||||
|
self.logger.info(f"找到 {len(article_urls)} 篇文章")
|
||||||
|
|
||||||
|
# 爬取文章详情
|
||||||
|
articles = self._fetch_articles(article_urls)
|
||||||
|
|
||||||
|
self.logger.info(f"成功爬取 {len(articles)} 篇文章")
|
||||||
|
return articles
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"爬取失败: {e}", exc_info=True)
|
||||||
|
return []
|
||||||
|
finally:
|
||||||
|
self._cleanup()
|
||||||
|
|
||||||
|
def _fetch_article_urls_from_api(self, device_id: str) -> List[str]:
|
||||||
|
"""
|
||||||
|
从API获取文章URL列表
|
||||||
|
|
||||||
|
Args:
|
||||||
|
device_id: 设备ID
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章URL列表
|
||||||
|
"""
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
# 根据 max_articles 动态计算需要抓取的页数
|
||||||
|
# 每页20条，向上取整
|
||||||
|
import math
|
||||||
|
max_pages = math.ceil(self.max_articles / self.item_count)
|
||||||
|
self.logger.info(f"根据 max_articles={self.max_articles}，计算需要抓取 {max_pages} 页")
|
||||||
|
|
||||||
|
for flush_num in range(max_pages):
|
||||||
|
payload = {
|
||||||
|
"base_req": {"from": "pc"},
|
||||||
|
"forward": "1",
|
||||||
|
"qimei36": device_id,
|
||||||
|
"device_id": device_id,
|
||||||
|
"flush_num": flush_num + 1,
|
||||||
|
"channel_id": self.channel_id,
|
||||||
|
"item_count": self.item_count,
|
||||||
|
"is_local_chlid": "0"
|
||||||
|
}
|
||||||
|
|
||||||
|
try:
|
||||||
|
headers = {
|
||||||
|
"User-Agent": self.http_client.session.headers.get("User-Agent"),
|
||||||
|
"Referer": "https://new.qq.com/",
|
||||||
|
"Origin": "https://new.qq.com",
|
||||||
|
"Content-Type": "application/json"
|
||||||
|
}
|
||||||
|
|
||||||
|
response = requests.post(
|
||||||
|
self.api_url,
|
||||||
|
headers=headers,
|
||||||
|
json=payload,
|
||||||
|
timeout=10
|
||||||
|
)
|
||||||
|
|
||||||
|
if response.status_code == 200:
|
||||||
|
data = response.json()
|
||||||
|
if data.get("code") == 0 and "data" in data:
|
||||||
|
news_list = data["data"]
|
||||||
|
if not news_list:
|
||||||
|
self.logger.info("没有更多数据了")
|
||||||
|
break
|
||||||
|
|
||||||
|
# 提取URL
|
||||||
|
for item in news_list:
|
||||||
|
news_id = item.get("id")
|
||||||
|
|
||||||
|
# 去重
|
||||||
|
if news_id in self.seen_ids:
|
||||||
|
continue
|
||||||
|
self.seen_ids.add(news_id)
|
||||||
|
|
||||||
|
# 过滤视频新闻（articletype == "4"）
|
||||||
|
article_type = item.get("articletype")
|
||||||
|
if article_type == "4":
|
||||||
|
continue
|
||||||
|
|
||||||
|
# 提取URL
|
||||||
|
url = item.get("link_info", {}).get("url")
|
||||||
|
if url:
|
||||||
|
urls.append(url)
|
||||||
|
|
||||||
|
# 如果已经获取到足够的文章数量，提前终止
|
||||||
|
if len(urls) >= self.max_articles:
|
||||||
|
self.logger.info(f"已获取 {len(urls)} 篇文章，达到目标数量，停止抓取")
|
||||||
|
break
|
||||||
|
|
||||||
|
# 如果外层循环也需要终止
|
||||||
|
if len(urls) >= self.max_articles:
|
||||||
|
break
|
||||||
|
|
||||||
|
else:
|
||||||
|
self.logger.warning(f"接口返回错误: {data.get('message')}")
|
||||||
|
else:
|
||||||
|
self.logger.warning(f"HTTP请求失败: {response.status_code}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"获取API数据失败: {e}")
|
||||||
|
|
||||||
|
# 延迟，避免请求过快
|
||||||
|
time.sleep(random.uniform(1, 2))
|
||||||
|
|
||||||
|
return urls
|
||||||
|
|
||||||
|
def _fetch_page(self) -> str:
|
||||||
|
"""
|
||||||
|
获取页面HTML（腾讯爬虫不使用此方法）
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
空字符串
|
||||||
|
"""
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def _extract_article_urls(self, html: str) -> List[str]:
|
||||||
|
"""
|
||||||
|
从HTML中提取文章URL列表（腾讯爬虫不使用此方法）
|
||||||
|
|
||||||
|
Args:
|
||||||
|
html: 页面HTML内容
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
空列表
|
||||||
|
"""
|
||||||
|
return []
|
||||||
|
|
||||||
|
def _fetch_articles(self, urls: List[str]) -> List[Article]:
|
||||||
|
"""
|
||||||
|
爬取文章详情
|
||||||
|
|
||||||
|
Args:
|
||||||
|
urls: 文章URL列表
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章列表
|
||||||
|
"""
|
||||||
|
articles = []
|
||||||
|
parser = TencentParser()
|
||||||
|
|
||||||
|
for i, url in enumerate(urls[:self.max_articles]):
|
||||||
|
try:
|
||||||
|
article = parser.parse(url)
|
||||||
|
article.category_id = self.category_id
|
||||||
|
article.source = "腾讯"
|
||||||
|
|
||||||
|
if not article.author:
|
||||||
|
article.author = "腾讯军事"
|
||||||
|
|
||||||
|
if article.is_valid():
|
||||||
|
articles.append(article)
|
||||||
|
self.logger.info(f"[{i+1}/{len(urls)}] {article.title}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"解析文章失败: {url} - {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
|
@ -0,0 +1,79 @@
|
||||||
|
"""
|
||||||
|
腾讯军事新闻爬虫（网页版）
|
||||||
|
使用 Selenium 动态加载页面，适用于网页抓取
|
||||||
|
"""
|
||||||
|
|
||||||
|
from typing import List
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
|
||||||
|
|
||||||
|
from base.crawler_base import DynamicCrawler, Article
|
||||||
|
from parsers.tencent_parser import TencentParser
|
||||||
|
|
||||||
|
|
||||||
|
class WarWebCrawler(DynamicCrawler):
|
||||||
|
"""腾讯军事新闻爬虫（网页版）"""
|
||||||
|
|
||||||
|
def _extract_article_urls(self, html: str) -> List[str]:
|
||||||
|
"""
|
||||||
|
从HTML中提取文章URL列表
|
||||||
|
|
||||||
|
Args:
|
||||||
|
html: 页面HTML内容
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章URL列表
|
||||||
|
"""
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
# 选择军事频道的文章列表
|
||||||
|
# dt-params*='article_type=0' 过滤掉视频新闻
|
||||||
|
div_list = soup.select("div[id='channel-feed-area'] div.channel-feed-list div.channel-feed-item[dt-params*='article_type=0']")
|
||||||
|
|
||||||
|
for div in div_list:
|
||||||
|
article_link = div.select_one("a.article-title")
|
||||||
|
if article_link:
|
||||||
|
href = article_link.get('href')
|
||||||
|
if href:
|
||||||
|
# 处理相对路径
|
||||||
|
if href.startswith('/'):
|
||||||
|
href = f"https://news.qq.com{href}"
|
||||||
|
urls.append(href)
|
||||||
|
|
||||||
|
return urls
|
||||||
|
|
||||||
|
def _fetch_articles(self, urls: List[str]) -> List[Article]:
|
||||||
|
"""
|
||||||
|
爬取文章详情
|
||||||
|
|
||||||
|
Args:
|
||||||
|
urls: 文章URL列表
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章列表
|
||||||
|
"""
|
||||||
|
articles = []
|
||||||
|
parser = TencentParser()
|
||||||
|
|
||||||
|
for i, url in enumerate(urls[:self.max_articles]):
|
||||||
|
try:
|
||||||
|
article = parser.parse(url)
|
||||||
|
article.category_id = self.category_id
|
||||||
|
article.source = "腾讯"
|
||||||
|
|
||||||
|
if not article.author:
|
||||||
|
article.author = "腾讯军事"
|
||||||
|
|
||||||
|
if article.is_valid():
|
||||||
|
articles.append(article)
|
||||||
|
self.logger.info(f"[{i+1}/{len(urls)}] {article.title}")
|
||||||
|
|
||||||
|
except Exception as e:
|
||||||
|
self.logger.error(f"解析文章失败: {url} - {e}")
|
||||||
|
continue
|
||||||
|
|
||||||
|
return articles
|
||||||
|
|
@ -0,0 +1,79 @@
|
||||||
|
"""
|
||||||
|
腾讯新闻文章解析器
|
||||||
|
"""
|
||||||
|
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import os
|
||||||
|
sys.path.insert(0, os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
|
||||||
|
|
||||||
|
from base.parser_base import BaseParser
|
||||||
|
from base.crawler_base import Article
|
||||||
|
from utils.http_client import HttpClient
|
||||||
|
from utils.logger import get_logger
|
||||||
|
|
||||||
|
|
||||||
|
class TencentParser(BaseParser):
|
||||||
|
"""腾讯新闻文章解析器"""
|
||||||
|
|
||||||
|
def __init__(self):
|
||||||
|
self.logger = get_logger(__name__)
|
||||||
|
self.http_client = HttpClient()
|
||||||
|
|
||||||
|
def parse(self, url: str) -> Article:
|
||||||
|
"""
|
||||||
|
解析腾讯新闻文章详情页
|
||||||
|
|
||||||
|
Args:
|
||||||
|
url: 文章URL
|
||||||
|
|
||||||
|
Returns:
|
||||||
|
文章对象
|
||||||
|
"""
|
||||||
|
# 获取页面HTML
|
||||||
|
html = self.http_client.get(url)
|
||||||
|
soup = BeautifulSoup(html, "lxml")
|
||||||
|
|
||||||
|
# 提取标题
|
||||||
|
title = None
|
||||||
|
title_tag = soup.select_one("div.content-left div.content-article > h1")
|
||||||
|
if title_tag:
|
||||||
|
title = title_tag.get_text(strip=True)
|
||||||
|
|
||||||
|
# 提取作者
|
||||||
|
author = None
|
||||||
|
author_tag = soup.select_one("div.content-left div.content-article div.article-author div.media-info a p")
|
||||||
|
if author_tag:
|
||||||
|
author = author_tag.get_text(strip=True)
|
||||||
|
|
||||||
|
# 提取发布时间
|
||||||
|
publish_time = None
|
||||||
|
time_tag = soup.select_one("div.content-left div.content-article div.article-author div.media-info p.media-meta > span")
|
||||||
|
if time_tag:
|
||||||
|
publish_time = time_tag.get_text(strip=True)
|
||||||
|
|
||||||
|
# 提取正文内容
|
||||||
|
content_lines = []
|
||||||
|
content_tag = soup.select_one("div.content-left div.content-article #article-content div.rich_media_content")
|
||||||
|
|
||||||
|
if content_tag:
|
||||||
|
# 提取段落，跳过只包含图片的段落
|
||||||
|
for p in content_tag.find_all("p"):
|
||||||
|
# 跳过只包含图片的 p
|
||||||
|
if p.find("img"):
|
||||||
|
continue
|
||||||
|
|
||||||
|
text = p.get_text(strip=True)
|
||||||
|
if text:
|
||||||
|
content_lines.append(text)
|
||||||
|
|
||||||
|
content = '\n'.join(content_lines)
|
||||||
|
|
||||||
|
return Article(
|
||||||
|
url=url,
|
||||||
|
title=title,
|
||||||
|
publish_time=publish_time,
|
||||||
|
author=author,
|
||||||
|
content=content,
|
||||||
|
)
|
||||||
|
|
@ -0,0 +1,31 @@
|
||||||
|
|
||||||
|
这是关于腾讯新闻网爬取军事分类新闻的一个可行的代码
|
||||||
|
需要注意的是腾讯新闻解析文章详情的代码是通用的，这里没有给出（使用tencent_parser.py即可）
|
||||||
|
注意这里需要使用到动态加载（继承DynamicCrawler，并且无需重写_fetch_page()）
|
||||||
|
```python
|
||||||
|
import requests
|
||||||
|
from bs4 import BeautifulSoup
|
||||||
|
|
||||||
|
|
||||||
|
URL = "https://news.qq.com/ch/milite"
|
||||||
|
headers = {
|
||||||
|
"User-Agent": (
|
||||||
|
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
|
||||||
|
"AppleWebKit/537.36 (KHTML, like Gecko) "
|
||||||
|
"Chrome/120.0.0.0 Safari/537.36"
|
||||||
|
)
|
||||||
|
}
|
||||||
|
resp = requests.get(URL,headers=headers,timeout=10)
|
||||||
|
resp.raise_for_status()
|
||||||
|
resp.encoding = "utf-8"
|
||||||
|
# print(resp.text)
|
||||||
|
# with open("example/example-13.html","r",encoding="utf-8") as f:
|
||||||
|
# html = f.read()
|
||||||
|
|
||||||
|
soup = BeautifulSoup(resp.text,"lxml")
|
||||||
|
# soup = BeautifulSoup(html,"lxml")
|
||||||
|
div_list = soup.select("div[id='channel-feed-area'] div.channel-feed-list div.channel-feed-item[dt-params*='article_type=0']")
|
||||||
|
for div in div_list:
|
||||||
|
href = div.select_one("a.article-title").get("href")
|
||||||
|
print(href)
|
||||||
|
```
|
||||||
Binary file not shown.
Binary file not shown.
|
|
@ -232,8 +232,28 @@ if __name__ == '__main__':
|
||||||
classifier.save_model('../../models/traditional')
|
classifier.save_model('../../models/traditional')
|
||||||
|
|
||||||
# 测试预测
|
# 测试预测
|
||||||
test_title = "华为发布新款折叠屏手机"
|
test_title = "高效办成一件事”"
|
||||||
test_content = "华为今天正式发布了新一代折叠屏手机，搭载最新麒麟芯片..."
|
test_content = """
|
||||||
|
国务院办公厅12日对外发布《“高效办成一件事”2026年度第一批重点事项清单》，并印发通知指出，统筹线上和线下政务服务渠道，因地制宜推进新一批重点事项落实落细，持续优化已推出重点事项服务，推动政务服务从“能办”向“好办、易办”转变。
|
||||||
|
|
||||||
|
此次清单包含13项内容，既涵盖科技型企业创新政策扶持、知识产权保护、举办体育赛事活动等赋能发展的“大事”，也包含育儿补贴申领、灵活就业参保等贴近生活的“小事”，更有外籍来华人员办理电话卡、海船开航等服务开放的“新事”。可以说，清单聚焦的都是市场主体和群众关切，和我们每一个人都息息相关。
|
||||||
|
|
||||||
|
去年7月，国办印发关于健全“高效办成一件事”重点事项常态化推进机制的意见，要求加强重点事项清单管理，推动重点事项常态化实施，拓展“高效办成一件事”应用领域。
|
||||||
|
|
||||||
|
让政务服务好办、易办，背后涉及的改革并不轻松。“一件事”往往横跨多个部门、多个系统，牵涉数据共享、流程重塑和权责厘清。正因如此，“高效办成一件事”并不是简单做减法，而是对行政体系协同能力的一次系统性考验：能否打破条块分割，能否让规则围绕真实需求变动，能否把制度设计真正落到操作层面。
|
||||||
|
|
||||||
|
在这个过程中，很多地方都做出了积极努力。比如北京市推进个人创业“一件事”时，按照实际诉求进行流程优化再造，最终实现“一表申请、一次办结”，还能用一张表单同时办理创业担保贷款和一次性创业补贴两项业务；上海由市政府办公厅统筹，各类“一件事”部门形成多个工作小组推动“一件事”落地见实效。
|
||||||
|
|
||||||
|
这些改革从群众和企业的呼声出发，直面办事过程中的堵点与不便，通过打破部门壁垒、推动协同和数据共享，将分散环节重新整合，让服务真正落到具体场景中，体现出可感知的效率提升，也让办好、易办“一件事”逐渐从制度设计走向实际运行。
|
||||||
|
|
||||||
|
截至目前，国家层面“高效办成一件事”重点事项清单已推出五批共55项，便民惠企清单持续扩容，政务服务改革红利持续释放：流程被压缩、材料被整合，时间成本不断降低。
|
||||||
|
|
||||||
|
这一改革最终通向的，是办事效率和群众满意度的持续提升。对企业而言，是政策兑现和经营活动更可预期；对个人而言，是办事体验更稳定、更省心。每一次分散的便利叠加起来，改革的价值就不再停留在抽象的表述中，而是转化为日常生活和经济运行中看得见、摸得着的获得感；也是在为经济社会的发展，从细微处巩固基础、积蓄动能。
|
||||||
|
|
||||||
|
政务服务改革永远在路上。从更长的时间维度看，“高效办成一件事”所指向的，不只是推动某一件、某一批事项的完成，而是要带动政府治理能力整体提升，助力高质量发展。
|
||||||
|
|
||||||
|
随着社会需求变化、新业态不断出现，新的“堵点”“断点”还可能不断出现，改革也必须随之滚动推进、动态优化。只有保持这种不断拆解问题、不断修补细节的耐心，政务服务才能持续进阶，在回应现实需求中走向更加成熟与稳健。
|
||||||
|
"""
|
||||||
result = classifier.predict(test_title, test_content)
|
result = classifier.predict(test_title, test_content)
|
||||||
print("\n测试预测结果:", result)
|
print("\n测试预测结果:", result)
|
||||||
else:
|
else:
|
||||||
|
|
|
||||||
|
|
@ -154,7 +154,7 @@ if __name__ == '__main__':
|
||||||
loader = DataLoader(db_url)
|
loader = DataLoader(db_url)
|
||||||
|
|
||||||
# 从数据库加载数据并保存到本地
|
# 从数据库加载数据并保存到本地
|
||||||
data = loader.update_local_data(limit=800)
|
data = loader.update_local_data(limit=2000)
|
||||||
|
|
||||||
if data is not None:
|
if data is not None:
|
||||||
print(f"成功加载数据，共 {len(data)} 条记录")
|
print(f"成功加载数据，共 {len(data)} 条记录")
|
||||||
|
|
|
||||||
Loading…
Reference in New Issue