資訊專欄INFORMATION COLUMN
摘要：本次主要是爬取網(wǎng)易新聞，包括新聞標(biāo)題作者來源發(fā)布時間新聞?wù)?。既然現(xiàn)在已經(jīng)獲取到了內(nèi)容頁的，那么接下來開始抓取新聞?wù)摹?/p>
此文屬于入門級級別的爬蟲，老司機(jī)們就不用看了。
本次主要是爬取網(wǎng)易新聞，包括新聞標(biāo)題、作者、來源、發(fā)布時間、新聞?wù)?/strong>。
首先我們打開163的網(wǎng)站，我們隨意選擇一個分類，這里我選的分類是國內(nèi)新聞。然后鼠標(biāo)右鍵點擊查看源代碼，發(fā)現(xiàn)源代碼中并沒有頁面正中的新聞列表。這說明此網(wǎng)頁采用的是異步的方式。也就是通過api接口獲取的數(shù)據(jù)。
那么確認(rèn)了之后可以使用F12打開谷歌瀏覽器的控制臺，點擊Network，我們一直往下拉，發(fā)現(xiàn)右側(cè)出現(xiàn)了："... special/00804KVA/cm_guonei_03.js? .... "之類的地址，點開Response發(fā)現(xiàn)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(guī)律：“cm_guonei_03.js”、 “cm_guonei_04.js”，那么就很明顯了：
http://temp.163.com/special/0...*).js
上面的連接也就是我們本次抓取所要請求的地址。
接下來只需要用到的python的兩個庫：
requests
json
BeautifulSoup
requests庫就是用來進(jìn)行網(wǎng)絡(luò)請求的，說白了就是模擬瀏覽器來獲取資源。
由于我們采集的是api接口，它的格式為json，所以要用到j(luò)son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(nèi)容。
下面開始編寫我們爬蟲：
第一步先導(dǎo)入以上三個包：
import json import requests from bs4 import BeautifulSoup
接著我們定義一個獲取指定頁碼內(nèi)數(shù)據(jù)的方法：
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(yīng)正文
_content = formatContent(content) # 格式化json字符串
result = json.loads(_content)
return_list.append(result)
return return_list
這樣子就得到每個頁碼對應(yīng)的內(nèi)容列表：
之后通過分析數(shù)據(jù)可知下圖圈出來的則是需要抓取的標(biāo)題、發(fā)布時間以及新聞內(nèi)容頁面。
既然現(xiàn)在已經(jīng)獲取到了內(nèi)容頁的url，那么接下來開始抓取新聞?wù)摹?/p>
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(biāo)簽。
作者位置為：class = "ep-editor" 的 span 標(biāo)簽。
正文位置為：class = "post_text" 的 div 標(biāo)簽。
下面試采集這三個內(nèi)容的代碼：
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
到此為止我們所要抓取的所有數(shù)據(jù)都已經(jīng)采集了。
那么接下來當(dāng)然是把它們保存下來，為了方便我直接采取文本的形式來保存。下面是最終的結(jié)果：
格式為json字符串，“標(biāo)題” ： [ ‘日期’， ‘url’， ‘來源’， ‘作者’， ‘正文’ ]。
要注意的是目前實現(xiàn)的方式是完全同步的，線性的方式，存在的問題就是采集會非常慢。主要延遲是在網(wǎng)絡(luò)IO上，下次可以升級為異步IO，異步采集，有興趣的可以關(guān)注下次的文章。
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/42498.html
摘要：時間永遠(yuǎn)都過得那么快，一晃從年注冊，到現(xiàn)在已經(jīng)過去了年那些被我藏在收藏夾吃灰的文章，已經(jīng)太多了，是時候把他們整理一下了。那是因為收藏夾太亂，橡皮擦給設(shè)置私密了，不收拾不好看呀。 ...
摘要：前言開發(fā)爬蟲是一件有趣的事情。的可配置爬蟲是基于的，因此天生是支持并發(fā)的。遵守協(xié)議這個默認(rèn)是開啟的。的可配置爬蟲降低了爬蟲的開發(fā)時間，增加了爬蟲開發(fā)效率，完善了工程化水平，將爬蟲工程師從日常的繁瑣配置工作中解放出來。 前言 開發(fā)爬蟲是一件有趣的事情。寫一個程序，對感興趣的目標(biāo)網(wǎng)站發(fā)起HTTP請求，獲取HTML，解析HTML，提取數(shù)據(jù)，將數(shù)據(jù)保存到數(shù)據(jù)庫或者存為CSV、JSON等格式，再...
摘要：前言開發(fā)爬蟲是一件有趣的事情。的可配置爬蟲是基于的，因此天生是支持并發(fā)的。的可配置爬蟲降低了爬蟲的開發(fā)時間，增加了爬蟲開發(fā)效率，完善了工程化水平，將爬蟲工程師從日常的繁瑣配置工作中解放出來。前言 開發(fā)爬蟲是一件有趣的事情。寫一個程序，對感興趣的目標(biāo)網(wǎng)站發(fā)起HTTP請求，獲取HTML，解析HTML，提取數(shù)據(jù)，將數(shù)據(jù)保存到數(shù)據(jù)庫或者存為CSV、JSON等格式，再用自己熟悉的語言例如Python對...
摘要：學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分個大的版塊抓取，分析，存儲另外，比較常用的爬蟲框架，這里最后也詳細(xì)介紹一下。網(wǎng)絡(luò)爬蟲要做的，簡單來說，就是實現(xiàn)瀏覽器的功能。 Python學(xué)習(xí)網(wǎng)絡(luò)爬蟲主要分3個大的版塊：抓取，分析，存儲 另外，比較常用的爬蟲框架Scrapy，這里最后也詳細(xì)介紹一下。 首先列舉一下本人總結(jié)的相關(guān)文章，這些覆蓋了入門網(wǎng)絡(luò)爬蟲需要的基本概念和技巧：寧哥的小站-網(wǎng)絡(luò)爬蟲,當(dāng)我們在瀏覽器中輸入...
摘要：開始，加入了新的語法，和這兩個關(guān)鍵字，也成了標(biāo)準(zhǔn)庫，這對于我們寫異步的程序來說就是如虎添翼，讓我們輕而易舉的實現(xiàn)一個定向抓取新聞的異步爬蟲。網(wǎng)址池異步爬蟲的所有流程不能單單用一個循環(huán)來完成，它是多個循環(huán)至少兩個相互作用共同完成的。 showImg(https://segmentfault.com/img/bVbsjjR?w=742&h=487); Python寫爬蟲是非常方便的，爬取的...
閱讀 3567·2021-11-22 15:11
閱讀 4655·2021-11-18 13:15
閱讀 2714·2019-08-29 14:08
閱讀 3588·2019-08-26 13:49
閱讀 3104·2019-08-26 12:17
閱讀 3298·2019-08-26 11:54
閱讀 3122·2019-08-26 10:58
閱讀 2041·2019-08-26 10:21
