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

7 数据挖掘案例实战1—百度新闻标题、网址、日期及来源

程序员文章站 2022-05-02 22:01:47
...

获取网页源代码

import requests
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}
url = 'https://www.baidu.com/s?tn=news&rtt=1&bsst=1&cl=2&wd=阿里巴巴'
res = requests.get(url, headers=headers).text
print(res)

编写正则表达式提取新闻

特别注意:对于不同的网页,书写的规则是不一样的,我们要学会上节课的方法,找到规律然后提取相关的内容,下面只是框架示例

1.提取新闻的来源和日期

import re
p_info = '<p class="c-author">(.*?)</p>'
info = re.findall(p_info, res, re.S)
print(info)

2.提取新闻的网址和标题

p_title = '<h3 class="news-title_1YtI1">.*?>(.*?)</a>'
title = re.findall(p_title, res, re.S)

数据清洗并打印输出

1.新闻标题的清洗

通常情况下,每个标题的首位含有换行符\n,一些空格和< em >等无效字符。这里我们就可以利用strip()函数把不需要的空格、换行符去掉,利用sub()函数处理< em >等

for i in range(len(title)):  # range(len(title)),这里因为知道len(title) = 10,所以也可以写成for i in range(10)
    title[i] = title[i].strip()  # strip()函数用来取消字符串两端的换行或者空格,不过目前(2020-10)并没有换行或空格,所以其实不写这一行也没事
    title[i] = re.sub('<.*?>', '', title[i]) 

<.*?>可以表示任何形式为< xxx >的内容

2.新闻来源和日期的清洗

通常情况下夹杂< img >标签信息等,也是同理利用split()、strip()函数清洗,然后利用append()函数为列表添加新元素进行整合

总代码理解

import requests
import re

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36'}

url = 'https://www.baidu.com/s?tn=news&rtt=1&bsst=1&cl=2&wd=阿里巴巴'  # 把链接中rtt参数换成4即是按时间排序,默认为1按焦点排序
res = requests.get(url, headers=headers).text  # 加上headers用来告诉网站这是通过一个浏览器进行的访问
# print(res)

p_href = '<h3 class="news-title_1YtI1"><a href="(.*?)"'
href = re.findall(p_href, res, re.S)
p_title = '<h3 class="news-title_1YtI1">.*?>(.*?)</a>'
title = re.findall(p_title, res, re.S)
p_date = '<span class="c-color-gray2 c-font-normal">(.*?)</span>'
date = re.findall(p_date, res)
p_source = '<span class="c-color-gray c-font-normal c-gap-right">(.*?)</span>'
source = re.findall(p_source, res)

# print(title)
# print(href)
# print(date)
# print(source)

for i in range(len(title)):  # range(len(title)),这里因为知道len(title) = 10,所以也可以写成for i in range(10)
    title[i] = title[i].strip()  # strip()函数用来取消字符串两端的换行或者空格,不过目前(2020-10)并没有换行或空格,所以其实不写这一行也没事
    title[i] = re.sub('<.*?>', '', title[i])  # 核心,用re.sub()函数来替换不重要的内容
    print(str(i + 1) + '.' + title[i] + '(' + source[i] + ' ' + date[i] + ')')
    print(href[i])

输出结果(这里是动态变化的,只是范例):

1.阿里巴巴季报发布 依然是互联网第一带头大哥吗?(新浪科技 7小时前)
https://baijiahao.baidu.com/s?id=1707322600078140878&wfr=spider&for=pc
2.重押的B系,能否驱动阿里的巨型“双轮”?(澎湃新闻 8小时前)
http://www.thepaper.cn/newsDetail_forward_13911023
3.阿里巴巴发布2021财年社会责任报告:办好企业,反哺社会!(人民资讯 6小时前)
https://baijiahao.baidu.com/s?id=1707323898986956642&wfr=spider&for=pc
4.阿里巴巴公布股权结构,创始人马云却没在名单上,他*离开了?(腾讯网 8小时前)
http://new.qq.com/omn/ENT20190/20210806A05MVW00.html
5.阿里发布新一期社会责任报告,已连续15年(腾讯网 1小时前)
https://xw.qq.com/partner/vivoscreen/20210806A0DEHC/20210806A0DEHC00?isNews=1
6.阿里云进入发展新阶段(何玺 1小时前)
https://baijiahao.baidu.com/s?id=1707343662993442002&wfr=spider&for=pc
7.阿里巴巴发布2022财年Q1财报,透露出哪些信息?(网易 4小时前)
https://www.163.com/dy/article/GGNS45NL0545N7QO.html
8…比例为40.1175% 杭州阿里巴巴泽泰信息技术有限公司持股比例为32%(手机凤凰网 1小时前)
https://finance.ifeng.com/c/88UaZRIDFlP
9.发力产业互联网,阿里巴巴穿越“至暗”周期(媒体训练营 昨天19:22)
https://baijiahao.baidu.com/s?id=1707252161363610861&wfr=spider&for=pc
10.阿里巴巴关联公司成立新公司,注册资本100万元人民币(美股研究社 5小时前)
https://baijiahao.baidu.com/s?id=1707328596762733405&wfr=spider&for=pc