python3 怎么爬取新闻网站

Python09

python3 怎么爬取新闻网站,第1张

需求：

从门户网站爬取新闻，将新闻标题，作者，时间，内容保存到本地txt中。

用到的python模块： import re  # 正则表达式

import bs4  # Beautiful Soup 4 解析模块

import urllib2  # 网络访问模块

import News   #自己定义的新闻结构

import codecs  #解决编码问题的关键 ，使用codecs.open打开文件

import sys   #1解决不同页面编码问题

其中bs4需要自己装一下，安装方法可以参考：Windows命令行下pip安装python whl包

程序：

#coding=utf-8

import re  # 正则表达式

import bs4  # Beautiful Soup 4 解析模块

import urllib2  # 网络访问模块

import News   #自己定义的新闻结构

import codecs  #解决编码问题的关键 ，使用codecs.open打开文件

import sys   #1解决不同页面编码问题

reload(sys)                         # 2

sys.setdefaultencoding('utf-8')     # 3

# 从首页获取所有链接

def GetAllUrl(home):

    html = urllib2.urlopen(home).read().decode('utf8')

    soup = bs4.BeautifulSoup(html, 'html.parser')

    pattern = 'http://\w+\.baijia\.baidu\.com/article/\w+'

    links = soup.find_all('a', href=re.compile(pattern))

    for link in links:

        url_set.add(link['href'])

def GetNews(url):

    global NewsCount,MaxNewsCount  #全局记录新闻数量

    while len(url_set) != 0:

        try:

            # 获取链接

            url = url_set.pop()

            url_old.add(url)

            # 获取代码

            html = urllib2.urlopen(url).read().decode('utf8')

            # 解析

            soup = bs4.BeautifulSoup(html, 'html.parser')

            pattern = 'http://\w+\.baijia\.baidu\.com/article/\w+'  # 链接匹配规则

            links = soup.find_all('a', href=re.compile(pattern))

            # 获取URL

            for link in links:

                if link['href'] not in url_old:

                    url_set.add(link['href'])

                    # 获取信息

                    article = News.News()

                    article.url = url  # URL信息

                    page = soup.find('div', {'id': 'page'})

                    article.title = page.find('h1').get_text()  # 标题信息

                    info = page.find('div', {'class': 'article-info'})

                    article.author = info.find('a', {'class': 'name'}).get_text()  # 作者信息

                    article.date = info.find('span', {'class': 'time'}).get_text()  # 日期信息

                    article.about = page.find('blockquote').get_text()

                    pnode = page.find('div', {'class': 'article-detail'}).find_all('p')

                    article.content = ''

                    for node in pnode:  # 获取文章段落

                        article.content += node.get_text() + '\n'  # 追加段落信息

                    SaveNews(article)

                    print NewsCount

                    break

        except Exception as e:

            print(e)

            continue

        else:

            print(article.title)

            NewsCount+=1

        finally:

            # 判断数据是否收集完成

            if NewsCount == MaxNewsCount:

                break

def SaveNews(Object):

    file.write("【"+Object.title+"】"+"\t")

    file.write(Object.author+"\t"+Object.date+"\n")

    file.write(Object.content+"\n"+"\n")

url_set = set()  # url集合

url_old = set()  # 爬过的url集合

NewsCount = 0

MaxNewsCount=3

home = 'http://baijia.baidu.com/'  # 起始位置

GetAllUrl(home)

file=codecs.open("D:\\test.txt","a+") #文件操作

for url in url_set:

    GetNews(url)

    # 判断数据是否收集完成

    if NewsCount == MaxNewsCount:

        break

file.close()

新闻文章结构

#coding: utf-8

# 文章类定义

class News(object):

    def __init__(self):

        self.url = None

        self.title = None

        self.author = None

        self.date = None

        self.about = None

        self.content = None

对爬取的文章数量就行统计。

可以使用python里面的一个爬虫库，beautifulsoup，这个库可以很方便的爬取数据。爬虫首先就得知道网页的链接，然后获取网页的源代码，通过正则表达式或者其他方法来获取所需要的内容，具体还是要对着网页源代码进行操作，查看需要哪些地方的数据，然后通过beautifulsoup来爬取特定html标签的内容。网上有很多相关的内容，可以看看。