此文屬於入門級級別的爬蟲,老司機們就不用看了。
本次主要是爬取網易新聞,包括新聞標題、作者、來源、發佈時間、新聞正文。
首先我們打開163的網站,我們隨意選擇一個分類,這裡我選的分類是國內新聞。
然後鼠標右鍵點擊查看源代碼,發現源代碼中並沒有頁面正中的新聞列表。
這說明此網頁採用的是異步的方式。
也就是通過api接口獲取的數據。
那麼確認了之後可以使用F12打開谷歌瀏覽器的控制檯,點擊Network,我們一直往下拉,發現右側出現了:"… special/00804KVA/cm_guonei_03.js? … "之類的地址,點開Response發現正是我們要找的api接口。
可以看到這些接口的地址都有一定的規律:“cm_guonei_03.js”、 “cm_guonei_04.js”,那麼就很明顯了:
<code>'http://temp.163.com/special/00804KVA/cm_guonei_0{}.js'/<code>
接下來只需要用到的python的兩個庫:
<code>requestsjsonBeautifulSoup/<code>
requests庫就是用來進行網絡請求的,說白了就是模擬瀏覽器來獲取資源。
由於我們採集的是api接口,它的格式為json,所以要用到json庫來解析。
BeautifulSoup是用來解析html文檔的,可以很方便的幫我們獲取指定div的內容。
下面開始編寫我們爬蟲:
第一步先導入以上三個包:
<code>import jsonimport requestsfrom bs4 import BeautifulSoup/<code>
接著我們定義一個獲取指定頁碼內數據的方法:
<code>def get_page(page): url_temp = 'http://temp.163.com/special/00804KVA/cm_guonei_0{}.js' return_list = [] for i in range(page): url = url_temp.format(i) response = requests.get(url) if response.status_code != 200: continue content = response.text # 獲取響應正文 _content = formatContent(content) # 格式化json字符串 result = json.loads(_content) return_list.append(result) return return_list/<code>
這樣子就得到每個頁碼對應的內容列表:
之後通過分析數據可知下圖圈出來的則是需要抓取的標題、發佈時間以及新聞內容頁面。
既然現在已經獲取到了內容頁的url,那麼接下來開始抓取新聞正文。
在抓取正文之前要先分析一下正文的html頁面,找到正文、作者、來源在html文檔中的位置。
我們看到文章來源在文檔中的位置為:id = “ne_article_source” 的 a 標籤。
作者位置為:class = “ep-editor” 的 span 標籤。
正文位置為:class = “post_text” 的 div 標籤。
下面是採集這三個內容的代碼:
<code>def get_content(url): source = '' author = '' body = '' resp = requests.get(url) if resp.status_code == 200: body = resp.text bs4 = BeautifulSoup(body) source = bs4.find('a', id='ne_article_source').get_text() author = bs4.find('span', class_='ep-editor').get_text() body = bs4.find('div', class_='post_text').get_text() return source, author, body/<code>
到此為止我們所要抓取的所有數據都已經採集了。
那麼接下來當然是把它們保存下來,為了方便我直接採取文本的形式來保存。下面是最終的結果:
格式為json字符串,“標題” :
[ ‘日期’, ‘url’, ‘來源’, ‘作者’, ‘正文’ ]
要注意的是目前實現的方式是完全同步的,線性的方式,存在的問題就是採集會非常慢。
主要延遲是在網絡IO上,下次可以升級為異步IO,異步採集
最後小編幫助大家整理了一套python教程,下面展示了部分,希望也能幫助對編程感興趣,想做數據分析,人工智能、爬蟲或者希望從事編程開發的小夥伴,畢竟python工資也還可以,如果能幫到你請點贊、點贊、點贊。
PS:如果你喜歡python,並覺得這篇文章對你有益的話,麻煩多多點贊關注支持!
閱讀更多 程序猿老旭 的文章