前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
刚接触Python的新手、小白,可以复制下面的链接去观看Python的基础入门教学视频
https://v.douyu.com/author/y6AZ4jn9jwKW
基本开发环境
Python 3.6
Pycharm
import parsel
import requests
import re
目标网页分析
今天就爬取新闻网中的国际新闻栏目
点击显示更多新闻内容
可以看到相关的数据接口,里面有新闻标题以及新闻详情的url地址
如何提取url地址
1、转成json,键值对取值;
2、用正则表达式匹配url地址;
两种方法都可以实现,看个人喜好
根据接口数据链接中的pager 变化进行翻页,其对应的就是页码。
详情页可以看到新闻内容都是在 div标签里面 p 标签内,按照正常的解析网站即可获取新闻内容。
保存方式
1、你可以保存txt文本形式
2、也可以保存成PDF形式
整体爬取思路总结
在栏目列表页中,点击更多新闻内容,获取接口数据url
接口数据url中返回的数据内容中匹配新闻详情页url
使用常规解析网站操作(re、css、xpath)提取新闻内容
保存数据
代码实现
获取网页源代码
defget_html(html_url):”””获取网页源代码 response
:param html_url: 网页url地址
:return: 网页源代码”””response= requests.get(url=html_url, headers=headers)return response
获取每篇新闻url地址
defget_page_url(html_data):”””获取每篇新闻url地址
:param html_data: response.text
:return: 每篇新闻的url地址”””page_url_list= re.findall(“”url”:”(.*?)””, html_data)return page_url_list
文件保存命名不能含有特殊字符,需要对新闻标题进行处理
deffile_name(name):”””文件命名不能携带 特殊字符
:param name: 新闻标题
:return: 无特殊字符的标题”””replace= re.compile(r”[/:*?”<>|]”)
new_name= re.sub(replace, “_”, name)return new_name
保存数据
defdownload(content, title):”””with open 保存新闻内容 txt
:param content: 新闻内容
:param title: 新闻标题
:return:”””path= “新闻” + title + “.txt”with open(path, mode=”a”, encoding=”utf-8″) as f:
f.write(content)print(“正在保存”, title)
主函数
defmain(url):”””主函数
:param url: 新闻列表页 url地址
:return:”””html_data= get_html(url).text #获得接口数据response.text
lis = get_page_url(html_data) #获得新闻url地址列表
for li inlis:
page_data= get_html(li).content.decode(“utf-8”, “ignore”) #新闻详情页 response.text
selector =parsel.Selector(page_data)
title= re.findall(“
(.*?)”, page_data, re.S)[0] #获取新闻标题
new_title =file_name(title)
new_data= selector.css(“#cont_1_1_2 div.left_zw p::text”).getall()
content= “”.join(new_data)
download(content, new_title)if __name__ == “__main__”:for page in range(1, 101):
url_1= “https://channel.chinanews.com/cns/cjs/gj.shtml?pager={}&pagenum=9&t=5_58”.format(page)
main(url_1)
运行效果图
今天的文章python 爬虫 新闻_python爬虫源代码最全分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/67106.html