世界杯快到了，看我用Python爬虫实现（伪）球迷速成！

 

还有4天就世界杯了，作为一个资深（伪）球迷，必须要实时关注世界杯相关新闻，了解各个球队动态，这样才能在一堆球迷中如（大）鱼（吹）得（特）水（吹），迎接大家仰慕的目光!

给大家分享一个快速了解相关信息的办法：刷论坛！我们来一起做个虎扑论坛的爬虫吧！

抓包获取虎扑论坛相关帖子内容，逐条显示！

先来观察下网页，打开论坛首页，选择国际足球

 

然后往下拉，找到世界杯相关内容

 

这里就是我们的目标了，所有相关的新闻都会在这里显示，用F12打开“开发者工具”然后往下浏览看看数据包

 

注意箭头指向的那几个地方！

这就是刚才浏览的新闻所在的json包，来看看具体数据是什么

 

ok，标题、地址、发布时间包括来源都已经出现了!我们可以直接抓取json数据然后取出相关内容！

再进入具体新闻页面看看

 

所有的文本内容，都在<div class="artical-main-content">这个标签下的<p></p>标签内，我们可以用xpath直接取div下的所有文本内容!

这里就不一 一说明了，直接上代码，并录个小的GIF图片给大家看看效果

 1 #Q群542110741
 2 # -*- coding:utf-8 -*-
 3 import requests
 4 from lxml import etree
 5 
 6 header = {
 7     'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:60.0) Gecko/20100101 Firefox/60.0',
 8     'Host':'soccer.hupu.com',
 9     'Referer':'https://soccer.hupu.com/'}
10 i = 0
11 while 1:
12     #构建循环页面翻页
13     url = 'https://soccer.hupu.com/home/latest-news?league=世界杯&page='
14     i += 1
15     #获取json数据，一页20个
16     html = requests.get(url+str(i),headers=header).json()['result']
17     for info in html:
18         time_r = info['time']#发布时间
19         title = info['title']#标题
20         url_r = info['url']#新闻链接
21         origin = info['origin']#来源
22         print(title)
23         print('发布时间:',time_r,' '*5,'来自：',origin)
24         head = header
25         head['Host'] = 'voice.hupu.com'#更改header中Host参数
26         html_r = requests.get(url_r,headers=head)#获取新闻详情
27         html_r.encoding = 'utf-8'#编码格式指定
28         #获取div下的所有文本
29         datas = etree.HTML(html_r.text).xpath('//div[@class="artical-content-read"]')[0].xpath('string(.)').strip()
30         print('\n'+'内容：'+'\n'*2,datas,'\n')
31         #可由用户手动退出循环
32         if input('任意键继续，“q”退出') in ['q', 'Q']:
33             exit()

 

现在我们可以快乐的刷刷论坛，积累最新资讯，秒杀一切挡在我们前（装）进（B）道路上的渣渣吧~！

 

欢迎大家关注，私信我一起学习，一起看球！