爬取前的准备:
BeautifulSoup的导入:pip install BeautifulSoup4
requests的导入:pip install requests
下载jupyter notebook:pip install jupyter notebook
下载python,配置环境(可使用anocanda,里面提供了很多python模块)
json
定义 :是一种格式,用于数据交换。
Javascript 对象
定义 : 一种javascript的引用类型
中文格式除了‘ utf-8 ’还有‘ GBK ’、‘ GB2312 ’ 、‘ ISO-8859-1 ’、‘ GBK ‘’等
用requests可获取网页信息
用BeautifulSoup可以将网页信息转换为可操作物块
1 soup = BeautifulSoup(res.text,'html.parser')2 #将requests获取的网页信息转换为BeautifulSoup的物件存于soup中,并指明其剖析器为'html.parser',否则会出现警告。
用beautifulSoup中的select方法可以获取相应的元素,且获取的元素为list形式,可以用for循环将其逐个解析出来
1 alink = soup.select('h1')2
3 for link inalink:4 print(link.text)
获取html标签值后,可以用[‘href’]获取‘href’属性的值,如
1 for link in soup.select('a'):2 print(link['href'])
获取新闻编号:
* .strip()可以去除前后空白格,括号内加入字符串可以去除指定字符串,rstrip()可以去除右边的,lstrip()可以去除左边的;
* split('/')根据指定的字符对字符串进行切割
re正则表达式的使用:
1 importre2
3 m = re.search('doc-i(.*).shtml',newsurl)#返回在newsurl中匹配到的字符串
4 print(m.group(1))#group(0)可以取得所有匹配到的部分,group(1)只可以取得括号内的部分
使用for循环获取新闻的多页链接
1 url = 'http://api.roll./zt_list?channel=news&cat_1=gnxw&cat_2==gdxw1||=gatxw||=zs-pl||=mtjj&level==1||=2&show_ext=1&show_all=1&show_num=22&tag=1&format=json&page={}&callback=newsloadercallback&_=1501000415111'
2
3 for i in rannge(0,10):4 print( url.format( i ) )5 #format可以将url里面的大括号(要修改的部分我们把它删去并换成大括号)换为我们要加入的值(如上面代码中的 i)
获取新闻发布的时间:
获取的信息可能会有包含的成分,即会获取到如出版社的其他我们不需要的元素,可以用contents将里面的元素分离成list形式,用contents[0]即可获取相应元素
1 #获取出版时间
2 from datetime importdatetime3
4 res = requests.get('/c/nd/-07-22/doc-ifyihrmf3191202.shtml')5 res.encoding = 'utf-8'
6 soup = BeautifulSoup(res.text,'html.parser')7 timesource = soup.select('.time-source')8 print(timesource[0].contents[0])
时间字符串转换
1 #字符串转时间:-strptime
2 dt = datetime.strptime(timesource,'%Y年%m月%d日%H:%M ’)
3
4 #时间转换字符串:-strftime
5 dt.strftime('%Y-%m-%d‘)
获取新闻内文:
检查其所属类后按照上面的 select获取新闻内文,获取的内容为list形式,可用for循环将内容去除标签后加入到自己创建的的list中(如article = [])
* 其中可以用 ‘ \n ’.join( article )将article列表中的每一项用换行符‘ \n ’分隔开;
1 #获取单篇新闻内容
2 article =[]3 for p in soup.select('.article p'):4 article.append(p.text.strip())5 print('\n'.join(article))
上面获取单篇新闻的代码可用一行完成:
1 #一行完成上面获取新闻内容的代码
2 print('\n'.join([p.text.strip() for p in soup.select('.article p')]))
获取评论数量:(在获取评论数量时会发现评论是用js的形式发送给浏览器的,所以要先把获取的内容转化为json格式读取python字典
1 #取得评论数的数量
2 importrequests3 importjson4 comment = requests.get('http://comment5./page/info?version=1&format=js&c\5 hannel=gn&newsid=comos-fyihrmf3218511&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20')# 从评论地址获取相关内容6 comment.encoding = 'utf-8'
7 jd = json.loads(comment.text.strip('var data='))8 jd['result']['count']['total']
完整代码(以获取新浪新闻为例):
1 #获取新闻的标题,内容,时间和评论数
2 importrequests3 from bs4 importBeautifulSoup4 from datetime importdatetime5 importre6 importjson7 importpandas8
9 defgetNewsdetial(newsurl):10 res =requests.get(newsurl)11 res.encoding = 'utf-8'
12 soup = BeautifulSoup(res.text,'html.parser')13 newsTitle = soup.select('.page-header h1')[0].text.strip()14 nt = datetime.strptime(soup.select('.time-source')[0].contents[0].strip(),'%Y年%m月%d日%H:%M')15 newsTime = datetime.strftime(nt,'%Y-%m-%d %H:%M')16 newsArticle = getnewsArticle(soup.select('.article p'))17 newsAuthor = newsArticle[-1]18 returnnewsTitle,newsTime,newsArticle,newsAuthor19 defgetnewsArticle(news):20 newsArticle =[]21 for p innews:22 newsArticle.append(p.text.strip())23 returnnewsArticle24
25 #获取评论数量
26
27 defgetCommentCount(newsurl):28 m = re.search('doc-i(.+).shtml',newsurl)29 newsid = m.group(1)30 commenturl = 'http://comment5./page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20'
31 comment = requests.get(commenturl.format(newsid)) #将要修改的地方换成大括号,并用format将newsid放入大括号的位置
32 jd = json.loads(comment.text.lstrip('var data='))33 return jd['result']['count']['total']34
35
36 defgetNewsLinkUrl():37 #得到异步载入的新闻地址(即获得所有分页新闻地址)
38 urlFormat = 'http://api.roll./zt_list?channel=news&cat_1=gnxw&cat_2==gdxw1||=gatxw||=zs-pl||=mtjj&level==1||=2&show_ext=1&show_all=1&show_num=22&tag=1&format=json&page={}&callback=newsloadercallback&_=1501000415111'
39 url =[]40 for i in range(1,10):41 res =requests.get(urlFormat.format(i))42 jd = json.loads(res.text.lstrip('newsloadercallback(').rstrip(');'))43 url.extend(getUrl(jd)) #entend和append的区别
44 returnurl45
46 defgetUrl(jd):47 #获取每一分页的新闻地址
48 url =[]49 for i in jd['result']['data']:50 url.append(i['url'])51 returnurl52
53 #取得新闻时间,编辑,内容,标题,评论数量并整合在total_2中
54 defgetNewsDetial():55 title_all =[]56 author_all =[]57 commentCount_all =[]58 article_all =[]59 time_all =[]60 url_all =getNewsLinkUrl()61 for url inurl_all:62 title_all.append(getNewsdetial(url)[0])63 time_all.append(getNewsdetial(url)[1])64 article_all.append(getNewsdetial(url)[2])65 author_all.append(getNewsdetial(url)[3])66 commentCount_all.append(getCommentCount(url))67 total_2 = {'a_title':title_all,'b_article':article_all,'c_commentCount':commentCount_all,'d_time':time_all,'e_editor':author_all}68 returntotal_269
70 #( 运行起始点 )用pandas模块处理数据并转化为excel文档
71
72 df =pandas.DataFrame(getNewsDetial())73 df.to_excel('news2.xlsx')
存储的excel文档如下:
TIPS:
问题:在jupyter notebook导入pandas时可能会出现导入错误
解决:不要用命令行打开jupyter notebook,直接找到软件打开或者在Anocanda Navigator中打开
-07-29 21:49:37
如果觉得《python新闻爬虫_Python_网络爬虫(新浪新闻抓取)》对你有帮助,请点赞、收藏,并留下你的观点哦!