lzjqsdd / NewsSpider

爬取今日头条,网易,腾讯等新闻,并建立简单的搜索引擎

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

包含网站:

  • 今日头条
  • 网易新闻
  • 腾讯新闻

主要功能

  • 新闻抓取
  • 索引构建
  • 前端搜索

整体结构

运行

一键启动

直接执行工程目录下的start.sh,可以启动抓取,索引和检索。可以修改tools/Global.py中的project_root路径,默认所有处理的数据均在该目录下

同时运行所有爬虫

git clone https://github.com/lzjqsdd/NewsSpider.git
cd NewsSpider/news_spider
scrapy crawlall

运行单个爬虫

scrapy crawl [toutiao|netease|tencent]

数据及注意事项

  • 抓取的新闻为utf-8格式的,并不是乱码
  • 网易新闻2015年的内容格式和2016的不一样,可以抓取,需要修改xpath解析方式
  • 默认参数可以抓取到13万条左右的数据,
    • title.json(不含新闻内容)
    • news.json(含新闻内容),可以在setting.py中修改默认写入选项
    • news2db.py 可以将json文件写入sqlite3数据库
  • 所有的数据配置均可以在tool/Global.py中修改

TODO

  • 相似新闻推荐
  • 排序算法

Demo展示

Demo

About

爬取今日头条,网易,腾讯等新闻,并建立简单的搜索引擎


Languages

Language:Python 90.7%Language:HTML 8.7%Language:Shell 0.6%