欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫实战教程:爬取网易新闻

程序员文章站 2023-08-31 08:36:40
前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。 作者: Amauri PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 http://note.youdao.com/noteshare?id=3054c ......

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者: amauri

ps:如有需要python学习资料的小伙伴可以加点击下方链接自行获取

此文属于入门级级别的爬虫,老司机们就不用看了。

本次主要是爬取网易新闻,包括新闻标题、作者、来源、发布时间、新闻正文。

首先我们打开163的网站,我们随意选择一个分类,这里我选的分类是国内新闻。然后鼠标右键点击查看源代码,发现源代码中并没有页面正中的新闻列表。这说明此网页采用的是异步的方式。也就是通过api接口获取的数据。

那么确认了之后可以使用f12打开谷歌浏览器的控制台,点击network,我们一直往下拉,发现右侧出现了:"... special/00804kva/cm_guonei_03.js? .... "之类的地址,点开response发现正是我们要找的api接口。 Python爬虫实战教程:爬取网易新闻

可以看到这些接口的地址都有一定的规律:“cm_guonei_03.js”、 “cm_guonei_04.js”,那么就很明显了:

http://temp.163.com/special/0...*).js

上面的连接也就是我们本次抓取所要请求的地址。

接下来只需要用到的python的两个库:

  • requests

  • json

  • beautifulsoup

requests库就是用来进行网络请求的,说白了就是模拟浏览器来获取资源。

由于我们采集的是api接口,它的格式为json,所以要用到json库来解析。beautifulsoup是用来解析html文档的,可以很方便的帮我们获取指定div的内容。

下面开始编写我们爬虫:

第一步先导入以上三个包:

import json
import requests
from bs4 import beautifulsoup

 

接着我们定义一个获取指定页码内数据的方法:

 1 def get_page(page):
 2     url_temp = 'http://temp.163.com/special/00804kva/cm_guonei_0{}.js'
 3     return_list = []
 4     for i in range(page):
 5         url = url_temp.format(i)
 6         response = requests.get(url)
 7         if response.status_code != 200:
 8             continue
 9         content = response.text  # 获取响应正文
10         _content = formatcontent(content)  # 格式化json字符串
11         result = json.loads(_content)
12         return_list.append(result)
13     return return_list

 

这样子就得到每个页码对应的内容列表:

Python爬虫实战教程:爬取网易新闻

之后通过分析数据可知下图圈出来的则是需要抓取的标题、发布时间以及新闻内容页面。

Python爬虫实战教程:爬取网易新闻

既然现在已经获取到了内容页的url,那么接下来开始抓取新闻正文。

在抓取正文之前要先分析一下正文的html页面,找到正文、作者、来源在html文档中的位置。

我们看到文章来源在文档中的位置为:id = "ne_article_source" 的 a 标签 作者位置为:class = "ep-editor" 的 span 标签 正文位置为:class = "post_text" 的 div 标签

下面试采集这三个内容的代码:

 1 def get_content(url):
 2     source = ''
 3     author = ''
 4     body = ''
 5     resp = requests.get(url)
 6     if resp.status_code == 200:
 7         body = resp.text
 8         bs4 = beautifulsoup(body)
 9         source = bs4.find('a', id='ne_article_source').get_text()
10         author = bs4.find('span', class_='ep-editor').get_text()
11         body = bs4.find('div', class_='post_text').get_text()
12     return source, author, body

到此为止我们所要抓取的所有数据都已经采集了。

那么接下来当然是把它们保存下来,为了方便我直接采取文本的形式来保存。下面是最终的结果:

Python爬虫实战教程:爬取网易新闻

格式为json字符串,“标题” : [ ‘日期’, ‘url’, ‘来源’, ‘作者’, ‘正文’ ]。

要注意的是目前实现的方式是完全同步的,线性的方式,存在的问题就是采集会非常慢。主要延迟是在网络io上,可以升级为异步io,异步采集。