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
def get_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
def get_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
def file_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
def download(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
def main(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 in lis: 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('<title>(.*?)</title>', 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
内容来源于网络如有侵权请私信删除
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
