标签：author white mac type def http cape 平台 wifi
软件：charles、pycharm
平台：mac
网址：https://view.inews.qq.com/a/20180718A1WSEB00?uid=
第一步：获取api接口
1、电脑中安装charles抓包软件，与手机处于同一wifi网络下，将charles作为手机端的代理服务器。
主机名：IP地址为电脑端的IP，
端口号：根据电脑端的charles软件设置为8888
2、打开手机端腾讯新闻app，charles软件抓取具体api接口（这里不详细介绍）得到接口：https://view.inews.qq.com/a/20180718A1WSEB00?uid=
第二步：分析
1、查看 通过Chrome浏览器检查看到代码无问题
但打开源代码，是这样的，说明网页数据提取之后还需要进行转码
这样肯定没有办法提取，所以主要的问题，集中在了解析网页的数据构成，以及解析。
2、分析 这次单页面主要爬取的信息就两种，新闻文本、以及图片。
先说文字，源代码里js代码与unicode混在一起，看的眼晕头发麻，所以最主要是要将内容分离。再转码。这个页面提取时，我是分两步，第一步，先提取文字，再提取图片
先从文章作者那里开始，通过re匹配提取整篇文件，提取后的数据进行转码后是这个样子的，图片的url还需要进行提取，所以还需要再使用一次re匹配，单独提出图片的地址，并将图片中的图片地址进行替换（替换成本地或者网上的url）
第三步：代码
import json,re import requests def getImg(): response = requests.get(‘http://view.inews.qq.com/a/20180718A1WSEB00?uid=‘) html = response.text # ------------------------------ news_pat = re.compile(r‘\"cnt_html":\"(.*)\",\"content":\[{"type\":\"cnt_article\",\"desc\":‘,re.S) news = news_pat.search(html).group(1).encode(‘utf-8‘).decode(‘unicode_escape‘).replace(‘\/‘,‘/‘) # 源新闻 img_list = [] info_pat = re.compile(r‘("content":\[{"type\":\"cnt_article\".*?)</script>‘,re.S) # 获取图片地址的正则 result = info_pat.search(html).group(1) img_pat = re.compile(r‘{"type":"img_url".*?"desc":null}‘) img_resu = img_pat.findall(result) for rese in img_resu: res = json.loads(rese) img_list.append(res[‘img_url‘]) # 图片地址，存储成一个列表 imgurl_pat = re.compile(r‘(<!--IMG_.*?-->)‘) # 获取文件中图片url并替换的正则 img_url = imgurl_pat.findall(news) for i in range(len(img_list)): if img_url[i] in news: news = news.replace(img_url[i], ‘<img src="‘+img_list[i]+‘" >‘) else: print(‘不成功‘) print(news) if __name__ == ‘__main__‘: getImg()
最终将内容简单保存在html文件里，效果如下
这条新闻的提取难度主要就在解析上，几个正则干下来有些蒙。 上面的代码就是最终，但暂时没有下载图片，并且也没有把信息存数据库，也没有title\time\author等条目，仅做爬虫练习。
另外，求份爬虫工作~~~
标签：author white mac type def http cape 平台 wifi
原文地址：https://www.cnblogs.com/hejianlong/p/9340834.html
