码迷,mamicode.com
首页 > 编程语言 > 详细

Python_网络爬虫(新浪新闻抓取)

时间:2017-07-29 23:14:38      阅读:566      评论:0      收藏:0      [点我收藏+]

标签:content   news   表达   网络爬虫   python   dataframe   标签   end   compress   

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 in alink:
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 import re
2 
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.news.sina.com.cn/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 import datetime
3 
4 res = requests.get(http://news.sina.com.cn/c/nd/2017-07-22/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 import requests
3 import json
4 comment = requests.get(http://comment5.news.sina.com.cn/page/info?version=1&format=js&c5 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 import requests
 3 from bs4 import BeautifulSoup
 4 from datetime import datetime
 5 import re
 6 import json
 7 import pandas
 8 
 9 def getNewsdetial(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     return newsTitle,newsTime,newsArticle,newsAuthor
19 def getnewsArticle(news):
20     newsArticle = []
21     for p in news:
22          newsArticle.append(p.text.strip())
23     return newsArticle
24 
25 # 获取评论数量
26 
27 def getCommentCount(newsurl):
28     m = re.search(doc-i(.+).shtml,newsurl)
29     newsid = m.group(1)
30     commenturl = http://comment5.news.sina.com.cn/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 def getNewsLinkUrl():
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.news.sina.com.cn/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     return url
45 
46 def getUrl(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     return url
52 
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 def getNewsDetial():
55     title_all = []
56     author_all = []
57     commentCount_all = []
58     article_all = []
59     time_all = []
60     url_all = getNewsLinkUrl()
61     for url in url_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     return total_2
69 
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:

 技术分享

 

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

2017-07-29  21:49:37

Python_网络爬虫(新浪新闻抓取)

标签:content   news   表达   网络爬虫   python   dataframe   标签   end   compress   

原文地址:http://www.cnblogs.com/zengbojia/p/7220190.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!