Scrapy和Django实现蚌埠医学院手机新闻网站制作

最终效果（不看效果就讲过程都是耍流氓）：

实现过程如下:

框架：

• Scrapy：数据采集
• Django：数据呈现

目标网站：
蚌埠医学院 学院新闻列表:http://www.bbmc.edu.cn/index.php/view/viewcate/0/

##第一步：数据抓取

新建爬虫项目

在终端中执行命令

srapy startproject bynews

执行完毕，自动新建好项目文件

编写爬虫代码

在爬虫目录spider中，新建具体爬虫的by_spider.py文件：

爬虫代码功能说明：

• 新闻列表自动翻下一页，直到结束，每个新闻列表页提取进如新闻详情页的url
• 逐个新闻详情页面进入，提取新闻名称，发文机构，发文时间，新闻内容

爬虫源代码内容：

import scrapy
from bynews.items import BynewsItem
import re
class BynewsSpider(scrapy.Spider):
    name = 'news'
    start_urls = ['http://www.bbmc.edu.cn/index.php/view/viewcate/0/']
    allowed_domains = ['bbmc.edu.cn']

    def parse(self, response):
        news = response.xpath("//div[@class='cate_body']//ul/li")
        next_page = response.xpath("//div[@class='pagination']/a[contains(text(),'>')]/@href").extract_first()
        href_urls = response.xpath("//div[@class='cate_body']/ul/li/a/@href").extract()
        for href in href_urls:
            yield scrapy.Request(href,callback=self.parse_item)
        if next_page is not None:
            yield scrapy.Request(next_page)

    def parse_item(self, response):
        item = BynewsItem() 
        item['title'] = response.xpath("//div[@id='news_main']/div/h1/text()").extract_first()
        # 获取 作者和发文日期
        string = response.xpath("//div[@class='title_head']/span/text()").extract_first()
        # 通过分割获取文章发布日期
        full_date = string.split('/')
        year = full_date[0][-4:]
        month = full_date[1]
        day = full_date[2]
        item['post_date'] = year + month +day
        # 通过正则表达式获取作者
        matchObj = re.search(r'\[.*\]',string)
        # 去除两边的中括号
        string = matchObj.group()
        string = string[1:]
        string = string[:-1]
        item['author'] = string
        contents = response.xpath("//div[@id='news_main']/div/div/span/text()").extract_first()
        text = ''
        for content in contents :
            text = text + content
        item['content'] = text
        yield item

提取的数据结构items.py文件：

import scrapy
class BynewsItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    title = scrapy.Field()
    author = scrapy.Field()
    post_date = scrapy.Field()
    content = scrapy.Field()

爬虫项目的settings.py文件，增加请求头，关闭爬虫协议，仅放修改的部分，其他的默认即可：

USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
ROBOTSTXT_OBEY = False
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
}

保存爬取数据

准备工作就绪后，执行scrapy crawl news -o news.csv命令开始抓取数据，并且报存到文件news.csv中，方便后续建站导入数据：

采集好的数据：

爬虫过程结束，准备建站啦~

##第二步：数据呈现

新建项目

在终端中执行命令：django-admin startproject 项目名

新建应用

执行命令：python manage.py startapp bynews新建应用

Django采用MVC架构，需要写的内容比较多，就不一一放图了，直接甩上代码：

项目目录下

urls.py文件：

from django.contrib import admin
from django.urls import include,path
urlpatterns = [
    path('admin/', admin.site.urls),
    path('blog/', include('blog.urls')),
    # 蚌医新闻
    path('bynews/',include('bynews.urls')),
]

settings.py文件(仅放修改部分)：

INSTALLED_APPS = [
    'blog.apps.BlogConfig',
    'bynews.apps.BynewsConfig',
    'django.contrib.admin',
    'django.contrib.auth',
    'django.contrib.contenttypes',
    'django.contrib.sessions',
    'django.contrib.messages',
    'django.contrib.staticfiles',
]

bynews应用目录下：

模型models.py文件(模型文件弄好后，需要执行数据迁移什么的命令，Django保证了所有操作都是基于面向对象，十分强大)：

from django.db import models
class Bynews(models.Model):
    title = models.CharField(max_length=30, default='Title')
    author = models.CharField(null = True,max_length=30)
    content= models.TextField(null = True)
    def __str__(self):
        return self.title

视图views.py文件：

from django.shortcuts import render,get_object_or_404
from .models import Bynews

def index(request):
    news = Bynews.objects.order_by('id')[:30]
    return render(request, 'bynews/newslist.html',{'news_list':news})

def detail(request,news_id):
    news = get_object_or_404(Bynews,pk=news_id)
    return render(request, 'bynews/detail.html', {'news':news})

urls.py文件：

from django.urls import path 
from . import views

app_name = 'bynews'

urlpatterns = [
    # ex:/bynews/
    path('', views.index, name='index'),
    # ex:/bynews/4/
    path('/', views.detail, name = 'detail'),
    #path('/vote/', views.form ,name='form'),
]

在应用目录下新建template文件夹用来存放模板文件：

放上一个新闻列表页的模板newslist文件，需要注意其中的url生成方式，static的生成方式:

{% load static %}



  
  
  
  
  
  


    

			
蚌埠医学院
			
新闻列表
		
    

    {% for news in news_list %}
          

            
              
              {{news.title}}
               
            
          
    {% endfor %}
    


    
		

最终效果(请忽视正文内容不全问题，这是采集没弄好，懒得弄了，基本想法实现了就行)：