前言

本文的文字及圖片來源于網絡,僅供學習、交流使用,不具有任何商業用途,如有問題請及時聯系我們以作處理。

PS：如有需要Python學習資料的小伙伴可以加點擊下方鏈接自行獲取

基本開發環境

Python 3.6

Pycharm

import parsel

import requests

import re

目標網頁分析

今天就爬取新聞網中的國際新聞欄目

點擊顯示更多新聞內容

可以看到相關的數據接口，里面有新聞標題以及新聞詳情的url地址

如何提取url地址

1、轉成json，鍵值對取值；

2、用正則表達式匹配url地址；

兩種方法都可以實現，看個人喜好

根據接口數據鏈接中的pager 變化進行翻頁，其對應的就是頁碼。

詳情頁可以看到新聞內容都是在 div標簽里面 p 標簽內，按照正常的解析網站即可獲取新聞內容。

保存方式

1、你可以保存txt文本形式

2、也可以保存成PDF形式

之前也講過關于爬取文章內容保存成 PDF ，可以點擊下方鏈接查看相關保存方式。

本篇文章的話，就使用保存txt文本的形式吧。

整體爬取思路總結

在欄目列表頁中，點擊更多新聞內容，獲取接口數據url

接口數據url中返回的數據內容中匹配新聞詳情頁url

使用常規解析網站操作(re、css、xpath)提取新聞內容

保存數據

代碼實現

獲取網頁源代碼

def get_html(html_url):

"""

獲取網頁源代碼 response

:param html_url: 網頁url地址

:return: 網頁源代碼

"""

response = requests.get(url=html_url, headers=headers)

return response

獲取每篇新聞url地址

def get_page_url(html_data):

"""

獲取每篇新聞url地址

:param html_data: response.text

:return: 每篇新聞的url地址

"""

page_url_list = re.findall('"url":"(.*?)"', html_data)

return page_url_list

文件保存命名不能含有特殊字符，需要對新聞標題進行處理

def file_name(name):

"""

文件命名不能攜帶 特殊字符

:param name: 新聞標題

:return: 無特殊字符的標題

"""

replace = re.compile(r'[\\\/\:\*\?\"\\|]')

new_name = re.sub(replace, '_', name)

return new_name

保存數據

def download(content, title):

"""

with open 保存新聞內容 txt

:param content: 新聞內容

:param title: 新聞標題

:return:

"""

path = '新聞\\' + title + '.txt'

with open(path, mode='a', encoding='utf-8') as f:

f.write(content)

print('正在保存', title)

主函數

def main(url):

"""

主函數

:param url: 新聞列表頁 url地址

:return:

"""

html_data = get_html(url).text # 獲得接口數據response.text

lis = get_page_url(html_data) # 獲得新聞url地址列表

for li in lis:

page_data = get_html(li).content.decode('utf-8', 'ignore') # 新聞詳情頁 response.text

selector = parsel.Selector(page_data)

title = re.findall('

(.*?)', page_data, re.S)[0] # 獲取新聞標題

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)

運行效果圖

總結

以上是生活随笔為你收集整理的python爬取网页新闻_Python爬取新闻网数据的全部內容，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。