python爬虫新闻的学习笔记

刚开始查到的资料都是用正则。。主要我是小白，啥都不太懂

后来发现一个神器，beautifusoup

主要目的是：爬取news.xidian.edu.cn中一部分新闻内容，以标题，内容的形式保存到csv里

大概步骤如下，

1. 我所要获取的主页面是news.xidian.edu.cn，首先我应该先爬取下整个页面

import requestsres = requests.get('http://news.xidian.edu.cn/')res.encoding='utf-8'

2. 利用beautifusoup来对这个页面进行“模式化”（模式化我自己取的名字）

    模式化的意思就是 对这个爬取下来的html内容进行一定的操作，使得soup有一定的格式，可以通过print来看一下。这种格式它可以直接通过select('')来获取内容。

soup = BeautifulSoup(res.text,'html.parser')

3. 模式化后，我就要分析我要提取的内容的标签有什么特征，这边我要提取的是标签中有‘_content_left_bottom_right '的内容

    这边要注意的是，我提取出来的wholenews是列表list的形式，它不可以直接在用select，我就在这边犯了好多错误。

wholenews = soup.select('.content1_left_bottom_right')

4.提取出了我需要的内容，但是分析网页源代码发现，我要提取的东西是在wholenews中以li形式存在的。但是又不能直接提取wholenews

   自己想了个办法，可不可以先把wholenews变成和第二步中res.text的形式，然后在模式化，最后select('li')，这种方法不知道对不对。。只能试试了，可能有更好的办法。

newsoup = BeautifulSoup(str(wholenews),'html.parser')newlist = newsoup.select('li')

5. 提取出来的newlist也是一个列表的形式，里面有很多数组，这样的话，我就可以采用for循环，来一条一条提取内容。

    一定要结合自己要爬取网页的代码！

for news in newlist:  #news 是newlist重的每一项，可以用select    a = news.select('a')    a2 = a[1].text    link = a[1]['href']    if (len(link) <=21):        turelink = 'http://news.xidian.edu.cn/' + link    else:        turelink = link    print('标题： '+a2)

6. 上面标题就已经被提取出来啦。然后我要进入各个页面，今天每一个标题下的内容的提取。

    首先前面已经把url给分析出来了，这样我就可以再利用第一步，先把第一个子页面的所有内容爬下来

reslist = requests.get(turelink)    reslist.encoding='utf-8'    souplist = BeautifulSoup(reslist.text,'html.parser')

7. 爬下整个页面后，我需要继续分析源代码，爬内容。

    再次说明。一定要结合自己所爬网页的代码！

alltext = souplist.select('#wz_zw') #一个列表    neirongsoup = BeautifulSoup(str(alltext), 'html.parser')    neironglist = neirongsoup.select('p')    lenp = len(neironglist)    print("内容：")    wn = ''    for i in range(lenp):        n = neironglist[i].text        wn = str(wn) +str(n)    print(wn)

运行发现，OK，当然对于小白来讲，真的是失败了很多次，测试了很多次，感觉代码的优化性也不是很好。。暂且先这样吧

8.最后我还想把东西保存到csv里，写了个保存的def，然后全部代码的最后调用store函数。

import codecscsvfile = open('xidian1.csv','w',newline='')writer = csv.writer(csvfile)def store(title,content):    csvrow = []    csvrow.append(title)    csvrow.append(content)    writer.writerow(csvrow)

9.关于csv还是出错了一下，比如乱码之类的，暂时还没有完全解决。。