python3爬取新闻网站的所有新闻-新手起步
来源:互联网 发布:c语言数组存储方式 编辑:程序博客网 时间:2024/06/06 02:54
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。
1.环境配置。
2.要明确你所要爬取的网站结构。
(1)url
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
(2)页面中的标签元素
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。
3.写程序,调试运行。
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。
好了,废话不多说,直接切入正题。
(声明:我整个工作都是在windows下进行的。)1.环境配置。
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。2.要明确你所要爬取的网站结构。
(1)url
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
(2)页面中的标签元素
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。
3.写程序,调试运行。
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-8import codecsfrom urllib import request, parsefrom bs4 import BeautifulSoupimport reimport timefrom urllib.error import HTTPError, URLErrorimport sys###新闻类定义class News(object):def __init__(self):self.url = None #该新闻对应的urlself.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'})): returntopic = page.find('h1', {'id':'artical_topic'}).get_text() #新闻标题 news.topic = topicif 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 = contentnews.url = url #新闻页面对应的urlf.write(news.topic+'\t'+news.content+'\n')##dfs算法遍历全站###def dfs(url):global countprint(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: returnprint(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 += 1except URLError as e:print(e)returnexcept HTTPError as e:print(e)return# print(count)# if count > 3: returnvisited = set() ##存储访问过的urlf = open('ifeng/news.txt', 'a+', encoding='utf-8')dfs('http://news.ifeng.com/')
阅读全文
1 0
- python3爬取新闻网站的所有新闻-新手起步
- python3爬虫-爬取新浪新闻首页所有新闻标题
- python3爬取新浪新闻内容
- python3爬虫 爬取图片,爬取新闻网站文章并保存到数据库
- python爬取百度新闻所有的新闻的前1页 标题和URL地址
- 爬取网易的新闻网站全函数
- Python爬虫爬取网站新闻
- 9-某新闻网站爬取实战
- java新闻爬取
- 爬取新闻时间
- 爬取163新闻的函数
- 爬虫第四课(RegEx爬取新闻网站)
- 爬取一个普通翻页的新闻网站代码样例
- 程序取百度的新闻
- Jsoup爬取网易新闻
- python_爬取新浪新闻
- Python爬取新浪新闻
- 新闻网站
- MongoDB数据库索引
- Application XXX is waiting for the debugger to Attach
- (UESTC
- 91. Decode Ways
- 并发编程CountDownLatch的使用以及应用场景
- python3爬取新闻网站的所有新闻-新手起步
- [多状态动态规划] 表达式整除
- 利用Android Studio自带屏幕录制功能,生成GIF图片
- Java-String类的常用方法总结
- macOS下搭建openGL开发环境
- __FILE__ 与 $_SERVER['SCRIPT_FILENAME']的区别
- [转]一维插值(interp1)和二维插值(interp2)
- android tablayout使用及一个坑(很难受的一个坑)
- 刘汝佳 算法竞赛入门经典 第5章 C++与STL入门