根据关键词使用scrapy爬取今日头条网站新闻各类信息和内容页

在今日头条上输入关键词，爬取与关键词相关的新闻各类信息和内容页。

今日头条爬取主要困难如下：

（1）采用下拉翻滚动态加载新的新闻条目，即瀑布流；

（2）内容详情页为动态页面，大部分网页源代码类似字典形式，一部分为带标签的结构化页面。

本文采用两种方式爬取，都将爬取的数据写入到数据库中，主要爬虫代码在JinRiTouTiao.py中，小编在pipelines.py中使用了mysql数据库存储数据，读者可忽略，若使用请配置数据库相关信息。

爬取内容：发布时间、发布者、主题、内容、链接、点赞数、转发数、评论数等。

github链接：https://github.com/kingdomrushing/SpiderTouTiao-python/tree/master

（一）使用scrapy+Selenium +phantomjs爬取：

     爬虫为spiders/JinRiTouTiao.py

     使用请运行startFirst.py

     因为使用的是Selenium +phantomjs，所以无论是静态页面还是动态页面都可以爬取，抓取十分准确，但是速度非常慢，小编爬时是一分钟两个items，可能与小编的网速和电脑配置不高有关。

     使用前需要下载phantomjs，使用方法见https://www.cnblogs.com/zzhzhao/p/5380376.html

  (二)  使用scrapy+urllib+lxml爬取：

      爬虫为toutiao.py

      使用请运行startSecond.py

     推荐使用，爬取速度比较快，爬取数据较为准确。

 

人非圣贤，孰能无过？欢迎大家指正，也欢迎大家有好的想法可以一起交流，小编QQ:2422035338，大家有什么问题或者想法欢迎骚扰。