wooodhead/newsspider

爬取今日头条，网易，腾讯等新闻,并建立简单的搜索引擎

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