python3爬取新闻网站的所有新闻-新手起步

该篇文章适用于新手,让大家在刚接触爬虫的时候少踩点坑。作者接触python也有几个月时间了,最近要用python做数据采集的工作,因此要用爬虫去爬取各大门户网站。

好了,废话不多说,直接切入正题。

(声明:我整个工作都是在

下进行的。)

python就够了,关于windows下环境搭建,网上教程很多。

这里我附一个。(http://www.cnblogs.com/windinsky/archive/2012/09/20/2695520.html)

python环境确定搭建成功,就可以开始写程序去爬虫了。

爬虫,实际上就是解析页面的url, 以及每个页面的标签元素(html那些)。因此,要先对你所要爬取的页面 url和内容的布局非常了解。

比如,我爬取的是凤凰网的所有新闻。 凤凰网上,大部分新闻正文的页面链接,都是这种形式,ifeng前面是新闻的分类,http://news.ifeng.com/a/20170623/51308599_0.shtml。

找到了规律,就可以用正则表达式把这些页面提取出来。

关于正则表达式的学习,网上也有很多教程。这里给大家附一个比较好的链接 http://www.jb51.net/article/57150.htm

我要提取的是新闻的标题和正文内容。 如前面所说,我找到了我想要的新闻页面,可以在浏览器里用F12, 来观察页面布局。

比如凤凰网新闻正文页面, 标题都在<div id=’artical’>是<h1>标签, 正文都在<div id=’main_content’>里, 是<p>标签。

这里用到了python的urllib, Beautifulsoup包。

我用的是python3, 3和2会有一些语法上的区别, 但是大体逻辑是一样的。

urllib负责对url的处理,主要是request, parse, error, 这几个模块。 负责对url发送请求,获取页面信息,error的处理。

Beautifulsoup负责对页面的解析,获取的页面是html树形结构, 通过findAll(), select(), get(), get_text()等函数即可很方便的获取到我们想要的内容。

4.最后,如果是想要获取整个门户网站的数据,则需要一些递归, 整个网站相当于一个图结构, dfs(深度优先遍历)是比较好的方法。

关于爬虫程序的书写,比较烦人的几点:

(1)不同页面url各不相同,越是大的门户网站,类别越多,总会有一些没看到,没考虑到的情况,有时候程序里判断不全面,就会报错; 相近的还有,页面标签,有些新闻正文页面布局也不太一样,用一个提取方法也就难以提取出来。 对于以上问题, 我们需要在程序里多写一些情况处理 if error,防止在爬取的时候报错 终止;

(2)编码问题, 这是我遇到最多,最棘手的问题尤其在爬虫的时候。 我是要抓取新闻,然后保存到txt中。可能有些页面会存在极个别特殊的字符,无法编码解码,经常导致程序意外终止。解决方法:对极个别难以处理的网站,在源头就把它筛选掉,抓取数据时,往往不在乎一两个页面的数据。

别人跟我说,python爬虫的特点是:简单,暴力,跟python语言风格一样。

#coding: utf-8 import codecs from urllib import request, parse from bs4 import BeautifulSoup import re import time from urllib.error import HTTPError, URLError import sys ###新闻类定义 class News(object): def __init__(self): self.url = None #该新闻对应的url self.topic = None #新闻标题 self.date = None #新闻发布日期 self.content = None #新闻的正文内容 self.author = None #新闻作者 ###如果url符合解析要求,则对该页面进行信息提取 def getNews(url): #获取页面所有元素 html = request.urlopen(url).read().decode('utf-8', 'ignore') #解析 soup = BeautifulSoup(html, 'html.parser') #获取信息 if not(soup.find('div', {'id':'artical'})): return news = News() #建立新闻对象 page = soup.find('div', {'id':'artical'}) if not(page.find('h1', {'id':'artical_topic'})): return topic = page.find('h1', {'id':'artical_topic'}).get_text() #新闻标题 news.topic = topic if not(page.find('div', {'id': 'main_content'})): return main_content = page.find('div', {'id': 'main_content'}) #新闻正文内容 content = '' for p in main_content.select('p'): content = content + p.get_text() news.content = content news.url = url #新闻页面对应的url f.write(news.topic+'\t'+news.content+'\n') ##dfs算法遍历全站### def dfs(url): global count print(url) pattern1 = 'http://news\.ifeng\.com\/[a-z0-9_\/\.]*$' #可以继续访问的url规则 pattern2 = 'http://news\.ifeng\.com\/a\/[0-9]{8}\/[0-9]{8}\_0\.shtml$' #解析新闻信息的url规则 #该url访问过,则直接返回 if url in visited: return print(url) #把该url添加进visited() visited.add(url) # print(visited) try: #该url没有访问过的话,则继续解析操作 html = request.urlopen(url).read().decode('utf-8', 'ignore') # print(html) soup = BeautifulSoup(html, 'html.parser') if re.match(pattern2, url): getNews(url) # count += 1 ####提取该页面其中所有的url#### links = soup.findAll('a', href=re.compile(pattern1)) for link in links: print(link['href']) if link['href'] not in visited: dfs(link['href']) # count += 1 except URLError as e: print(e) return except HTTPError as e: print(e) return # print(count) # if count > 3: return visited = set() ##存储访问过的url f = open('ifeng/news.txt', 'a+', encoding='utf-8') dfs('http://news.ifeng.com/')

原文链接:https://blog.csdn.net/MrWilliamVs/article/details/76422584?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165277607816782390599918%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=165277607816782390599918&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-28-76422584-null-null.nonecase&utm_term=%E6%96%B0%E9%97%BB

© 版权声明
THE END
喜欢就支持一下吧
点赞0 分享
评论 抢沙发
头像
文明发言,共建和谐米科社区
提交
头像

昵称

取消
昵称表情图片