此文屬於入門級級別的爬蟲,老司機們就不用看了。
本次主要是爬取網易新聞,包括新聞標題、作者、來源、發佈時間、新聞正文。
首先我們打開163的網站,我們隨意選擇一個分類,這裏我選的分類是國內新聞。然後鼠標右鍵點擊查看源代碼,發現源代碼中並沒有頁面正中的新聞列表。這說明此網頁採用的是異步的方式。也就是通過api接口獲取的數據。
那麼確認了之後可以使用F12打開谷歌瀏覽器的控制檯,點擊Network,我們一直往下拉,發現右側出現了:"... special/00804KVA/cm_guonei_03.js? .... "之類的地址,點開Response發現正是我們要找的api接口。
可以看到這些接口的地址都有一定的規律:“cm_guonei_03.js”、 “cm_guonei_04.js”,那麼就很明顯了:
http://temp.163.com/special/0...*).js
上面的連接也就是我們本次抓取所要請求的地址。
接下來只需要用到的python的兩個庫:
- requests
- json
- BeautifulSoup
requests庫就是用來進行網絡請求的,說白了就是模擬瀏覽器來獲取資源。
由於我們採集的是api接口,它的格式爲json,所以要用到json庫來解析。BeautifulSoup是用來解析html文檔的,可以很方便的幫我們獲取指定div的內容。
下面開始編寫我們爬蟲:
第一步先導入以上三個包:
import json
import requests
from bs4 import BeautifulSoup
接着我們定義一個獲取指定頁碼內數據的方法:
def get_page(page):
url_temp = 'http://temp.163.com/special/00804KVA/cm_guonei_0{}.js'
return_list = []
for i in range(page):
url = url_temp.format(i)
response = requests.get(url)
if response.status_code != 200:
continue
content = response.text # 獲取響應正文
_content = formatContent(content) # 格式化json字符串
result = json.loads(_content)
return_list.append(result)
return return_list
這樣子就得到每個頁碼對應的內容列表:
之後通過分析數據可知下圖圈出來的則是需要抓取的標題、發佈時間以及新聞內容頁面。
既然現在已經獲取到了內容頁的url,那麼接下來開始抓取新聞正文。
在抓取正文之前要先分析一下正文的html頁面,找到正文、作者、來源在html文檔中的位置。
我們看到文章來源在文檔中的位置爲:id = "ne_article_source" 的 a 標籤。
作者位置爲:class = "ep-editor" 的 span 標籤。
正文位置爲:class = "post_text" 的 div 標籤。
下面試採集這三個內容的代碼:
def get_content(url):
source = ''
author = ''
body = ''
resp = requests.get(url)
if resp.status_code == 200:
body = resp.text
bs4 = BeautifulSoup(body)
source = bs4.find('a', id='ne_article_source').get_text()
author = bs4.find('span', class_='ep-editor').get_text()
body = bs4.find('div', class_='post_text').get_text()
return source, author, body
到此爲止我們所要抓取的所有數據都已經採集了。
那麼接下來當然是把它們保存下來,爲了方便我直接採取文本的形式來保存。下面是最終的結果:
格式爲json字符串,“標題” : [ ‘日期’, ‘url’, ‘來源’, ‘作者’, ‘正文’ ]。
要注意的是目前實現的方式是完全同步的,線性的方式,存在的問題就是採集會非常慢。主要延遲是在網絡IO上,下次可以升級爲異步IO,異步採集,有興趣的可以關注下次的文章。