Python爬取新浪新闻
来源:互联网 发布:阿里云域名解析 编辑:程序博客网 时间:2024/05/29 11:37
打开网址输入 news.sina.com.cn
这里我选择了国际新闻,然后点击检查 通过查看可以发现新闻的相关信息存放在如下图的js文件里面
在上图中我们通过点击相关元素便能轻易的找到需要的信息,通过层层分析最后编写爬虫:
代码如下:
import jsonimport requestsfrom bs4 import BeautifulSoupimport pymongofrom pymongo import MongoClient'''需用用到的库有json requests BeautifulSoup 新闻的存储方式采用pymongo进行数据存储'''def get_html(page): url = 'http://api.roll.news.sina.com.cn/zt_list?channel=news&cat_1=gjxw&level==1||=2&show_ext=1&show_all=1&show_num=22&tag=1&format=json&page={}' #进行页面请求时,我们添加捕获异常的处理语句 try: res=requests.get(url.format(page)) if res.status_code==200:#状态码为200表示请求成功 return res.text except TimeoutError: print('请求失败!') return None'''该函数用来获取的新闻链接'''def parser_url(html): urls=[] jd=json.loads(html)['result']['data']#使用json进行解析 for data in jd: url=data['url'] urls.append(url) return urlsdef parse_content(urls): ''' 采用CSS选择器对网页进行解析 :param urls: :return: ''' for url in urls: srcs = []#一篇新闻可能含有多个图片,用scrs来存放 article = []#存放一篇新闻 res=requests.get(url) res.encoding='utf-8'#不设置utf-8编码,会出现乱码的情况 soup=BeautifulSoup(res.text,'lxml') show_author=soup.select('.show_author')[0].text[5:]#将字符串为责任编辑: 去掉 date=soup.select('.date')[0].text #获取日期 title = soup.select('.main-title')[0].text#获取新闻标题 source = soup.select('.source')[0].text#新闻来源 print(title) for i in soup.select('.article p'): #获取每一个新闻段落,并存放在列表article中 print(i.text) article.append(i.text) #打印相关信息 print(show_author) print(source) print(date) for i in soup.select('.img_wrapper img'): srcs.append(i.get('src')) print(i.get('src')) #构造一个字典用于存储抓取下来的所有信息 information={ 'title':title, 'article:':article, 'show_author': show_author, 'source':source, 'data':date, 'src':srcs } save_mongodb(information) return informationdef save_mongodb(information): client = MongoClient('mongodb://localhost:27017/') db=client.mongodb_news#创建名为mongodb_news的数据库 if db['news'].insert(information): print("插入mongodb数据库成功!") else: print("插入mongodb数据库失败!")def start(): for i in range(1,10): html=get_html(i) urls=parser_url(html) parse_content(urls)if __name__=='__main__': start()
运行如下:
数据库连接
小提示:在运行程序时一定要记得先连接mongodb数据库
阅读全文
0 0
- Python爬取新浪新闻
- python爬取新浪新闻存储到excel
- 第四课 Python爬虫简单爬取新浪新闻列表
- 使用python网络爬虫爬取新浪新闻(一)
- python_爬取新浪新闻
- python3爬取新浪新闻内容
- Python爬虫学习(一)——爬取新浪新闻
- Python爬取新浪微博热搜榜
- python获取新浪新闻
- python3爬虫-爬取新浪新闻首页所有新闻标题
- Python爬虫爬取网站新闻
- python爬虫爬取Bloomberg新闻
- python爬虫之爬取腾讯新闻
- python 爬取网易新闻评论
- python爬取新浪微博内容
- 爬新浪新闻
- [python爬虫]使用Python爬取网易新闻
- Python爬虫:抓取新浪新闻数据
- 机房总结二
- [黑科技]__gnu_cxx::rope STL中的可持久化数组
- 数据结构--线性表
- 跨浏览器的事件处理程序
- 高效分布式操作解决方案
- Python爬取新浪新闻
- 概率图模型理解
- MyEclipse、eclipse代码自动补全
- Excel在统计分析中的应用—第十章—方差分析-无重复双因素方差分析
- Android 无线真机调试
- 区块链技术的起源与发展演进
- Brave(基于Zipkin的分布式调用链客户端)
- AC自动机专题小结
- angular(1)创建项目及运行