序言
文中的文本及图片来自互联网,仅作学习培训、沟通交流应用,不具备一切商业行为,如有什么问题请立即在线留言以作解决。
PS:若有必须Python学习材料的小伙伴们能够加点击正下方连接自主获取
python免费学习材料及其群沟通交流解释点击就可以添加
基础开发工具
- Python 3.6
- Pycharm
import parsel import requests import re
总体目标网页分析
今日就爬取新闻中的国际要闻频道
点击显示信息大量新闻内容
能够见到有关的api接口,里边有文章标题及其新闻详情的url地址
如何提取url地址
1 、转为json,键值对赋值;
2、用正则表达式搭配url地址;
二种方式都能够完成 ,看本人爱好
依据插口数据信息连接中的pager 转变开展换页,其相匹配的便是页数 。
宝贝详情能够见到新闻内容全是在 div标识里边 p 标识内,依照一切正常的解析网站就可以获取新闻内容。
保存方法
1、你能保存txt文本方式
2 、还可以保存成PDF方式
以前也讲过有关爬取文章保存成 PDF ,能够点击正下方连接查询有关保存方法。
Python爬取比比网招标投标书并保存成PDF文件格式
python爬取CSDN网络文章并制做成PDF文档
这篇文章内容得话,就应用保存txt文本的方式吧 。
总体爬取构思汇总
- 在频道目录页中,点击大量新闻内容 ,获取插口数据信息url
- 插口数据信息url中回到的数据信息內容中搭配新闻报道宝贝详情url
- 应用基本解析网站实际操作(re、css、xpath)获取新闻内容
- 保存数据信息
编码完成
- 获取网页源代码
def get_html(html_url): """ 获取网页源代码 response :param html_url: 网页页面url地址 :return: 网页源代码 """ response = requests.get(url=html_url, headers=headers) return response
- 获取每章新闻报道url地址
def get_page_url(html_data): """ 获取每章新闻报道url地址 :param html_data: response.text :return: 每章新闻报道的url地址 """ page_url_list = re.findall('"url":"(.*?)"', html_data) return page_url_list
- 文档保存取名不可以带有特殊符号,必须对文章标题开展解决
def file_name(name): """ 文件命名不可以带上 特殊符号 :param name: 文章标题 :return: 无特殊符号的题目 """ replace = re.compile(r'[\\\/\:\*\?\"\<\>\|]') new_name = re.sub(replace, '_', name) return new_name
- 保存数据信息
def download(content, title): """ with open 保存新闻内容 txt :param content: 新闻内容 :param title: 文章标题 :return: """ path = '新闻报道\\' title '.txt' with open(path, mode='a', encoding='utf-8') as f: f.write(content) print('已经保存', 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 # 得到 插口数据信息response.text lis = get_page_url(html_data) # 得到 新闻报道url地址目录 for li in lis: page_data = get_html(li).content.decode('utf-8', 'ignore') # 新闻报道宝贝详情 response.text selector = parsel.Selector(page_data) title = re.findall('<title>(.*?)</title>', page_data, re.S)[0] # 获取文章标题 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)
运作设计效果图