如標題，學習爬蟲也有一段時間了，今天來爬取一下新浪網的新聞（其實之前自己爬過，但是隔了好久發現新浪網的網頁結構有一些變化導致之前的爬蟲失效了，這兩天進行了一下代碼更新），話不多說，進入正題。

工具：Anaconda

先進入該頁，新浪新聞：http://news.sina.com.cn/china/

往下翻，找到這樣的最新消息

先爬取單個頁面的信息：（隨便點一個進去），

該新聞網址：http://news.sina.com.cn/c/nd/2018-06-08/doc-ihcscwxa1809510.shtml

用開發者模式分析網頁結構之后，我要獲取新聞標題，新聞時間，新聞來源，文章內容，作者姓名，評論總數等，代碼如下（主要用的是BeautifulSoup模塊）：

import requests from bs4 import BeautifulSoup from datetime import datetime import json res=requests.get('http://news.sina.com.cn/c/nd/2018-06-08/doc-ihcscwxa1809510.shtml') res.encoding='utf-8' soup=BeautifulSoup(res.text,'html.parser') title=soup.select('.main-title')[0].text #timesource1=soup.select('.date-source')[0].text.split('\n')[1] #獲取時間 timesource=soup.select('.date-source span')[0].text #獲取時間 dt=datetime.strptime(timesource,'%Y年%m月%d日 %H:%M') dt.strftime('%Y-%m-%d') place=soup.select('.date-source a')[0].text #獲取新聞來源 article=[] #獲取文章內容 for p in soup.select('#article p')[:-1]:article.append(p.text.strip()) articleall=' '.join(article) editor=soup.select('#article p')[-1].text.strip('責任編輯：') #獲取作者姓名 comments=requests.get('http://comment5.news.sina.com.cn/page/info?version=1&format=json&\ channel=gn&newsid=comos-hcscwxa1809510&group=undefined&compress=0&ie=utf-8&\ oe=utf-8&page=1&page_size=3&t_size=3&h_size=3&thread=1') #print(comments.text) jd=json.loads(comments.text) #用jason解析器 comment_num=jd['result']['count']['total'] #獲得評論總數

將上述單頁面的代碼進行封裝整理：?

newsurl='http://news.sina.com.cn/c/nd/2018-06-08/doc-ihcscwxa1809510.shtml' commenturl='http://comment5.news.sina.com.cn/page/info?version=1&format=json&channel=gn&newsid=comos-{}&group=undefined&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=3&t_size=3&h_size=3&thread=1' def getcommentcounts(newsurl): #獲取評論數m=re.compile('doc-i(.*?).shtml').findall(newsurl)newsid=m[0]comments=requests.get(commenturl.format(newsid))jd=json.loads(comments.text)return jd['result']['count']['total']def getnewsdetail(newsurl): #獲得單頁的新聞內容result={}res=requests.get(newsurl)res.encoding='utf-8'soup=BeautifulSoup(res.text,'html.parser')result['title']=soup.select('.main-title')[0].text #標題timesource=soup.select('.date-source span')[0].text result['time']=datetime.strptime(timesource,'%Y年%m月%d日 %H:%M').strftime('%Y-%m-%d') #時間result['place']=soup.select('.source')[0].text #來源article=[] #獲取文章內容for p in soup.select('#article p')[:-1]:article.append(p.text.strip())articleall=' '.join(article)result['article']=articleallresult['editor']=soup.select('#article p')[-1].text.strip('責任編輯：') #獲取作者姓名result['comment_num']=getcommentcounts(newsurl)return result 上面的代碼搞定了每一個網址所包含的具體的新聞內容，但是我們是要批量爬取多頁的新聞內容，每一頁大概并列包含了20多個新聞，所以對網頁的開發者模式進行分析后先獲取每一頁的所有新聞對應的url，如下： 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&_=1528548757769' def parseListLinks(url):newsdetail=[]res=requests.get(url)jd=json.loads(res.text.lstrip(' newsloadercallback(').rstrip(');'))for ent in jd['result']['data']:newsdetail.append(getnewsdetail(ent['url']))return newsdetail 得到每一頁的所有新聞的url之后，我們要獲得多頁的所有新聞，分析url可得，每一頁有網址上的page來進行控制，那就可以寫一個循環（批量抓取10頁的新聞信息放在news_total里）： news_total=[] for i in range(1,10):newsurl=url.format(i)newsary=parseListLinks(newsurl)news_total.extend(newsary) 最后將結果用pandas進行整理，當然，整理完了之后也可以保存成excel方便以后閱讀： import pandas as pd df=pd.DataFrame(news_total) 最后結果如下所示：

?

?

總結

以上是生活随笔為你收集整理的写一个简单的爬虫来批量爬取新浪网的新闻的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。