7 数据挖掘案例实战1—百度新闻标题、网址、日期及来源
数据挖掘案例实战1—百度新闻标题、网址、日期及来源
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