45 lines
1.2 KiB
Markdown
Executable File
45 lines
1.2 KiB
Markdown
Executable File
## 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](https://github.com/lzjqsdd/NewsSpider/blob/master/Frame.md)
|
||
|
||
## 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
|
||
```shell
|
||
git clone https://github.com/lzjqsdd/NewsSpider.git
|
||
cd NewsSpider/news_spider
|
||
scrapy crawlall
|
||
```
|
||
|
||
### 运行单个爬虫
|
||
```shell
|
||
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
|
||
|