Python如何爬取新闻资讯
发表于:2024-11-17 作者:千家信息网编辑
千家信息网最后更新 2024年11月17日,这篇文章主要为大家展示了"Python如何爬取新闻资讯",内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下"Python如何爬取新闻资讯"这篇文章吧。前言一个简单
千家信息网最后更新 2024年11月17日Python如何爬取新闻资讯
这篇文章主要为大家展示了"Python如何爬取新闻资讯",内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下"Python如何爬取新闻资讯"这篇文章吧。
前言
一个简单的Python资讯采集案例,列表页到详情页,到数据保存,保存为txt文档,网站网页结构算是比较规整,简单清晰明了,资讯新闻内容的采集和保存!
资料就放在群文件里等你来拿
应用到的库
requests,time,re,UserAgent,etree
import requests,time,refrom fake_useragent import UserAgentfrom lxml import etree
列表页,链接xpath解析
href_list=req.xpath('//ul[@class="news-list"]/li/a/@href')
详情页
内容xpath解析
h3=req.xpath('//div[@class="title-box"]/h3/text()')[0]author=req.xpath('//div[@class="title-box"]/span[@class="news-from"]/text()')[0]details=req.xpath('//div[@class="content-l detail"]/p/text()')
内容格式化处理
detail='\n'.join(details)
标题格式化处理,替换非法字符
pattern = r"[\/\\\:\*\?\"\<\>\|]"new_title = re.sub(pattern, "_", title) # 替换为下划线
保存数据,保存为txt文本
def save(self,h3, author, detail): with open(f'{h3}.txt','w',encoding='utf-8') as f: f.write('%s%s%s%s%s'%(h3,'\n',detail,'\n',author)) print(f"保存{h3}.txt文本成功!")
遍历数据采集,yield处理
def get_tasks(self): data_list = self.parse_home_list(self.url) for item in data_list: yield item
程序运行效果
附源码参考:
#研招网考研资讯采集#20200710 by微信:huguo00289# -*- coding: UTF-8 -*-import requests,time,refrom fake_useragent import UserAgentfrom lxml import etreeclass RandomHeaders(object): ua=UserAgent() @property def random_headers(self): return { 'User-Agent': self.ua.random, }class Spider(RandomHeaders): def __init__(self,url): self.url=url def parse_home_list(self,url): response=requests.get(url,headers=self.random_headers).content.decode('utf-8') req=etree.HTML(response) href_list=req.xpath('//ul[@class="news-list"]/li/a/@href') print(href_list) for href in href_list: item = self.parse_detail(f'https://yz.chsi.com.cn{href}') yield item def parse_detail(self,url): print(f">>正在爬取{url}") try: response = requests.get(url, headers=self.random_headers).content.decode('utf-8') time.sleep(2) except Exception as e: print(e.args) self.parse_detail(url) else: req = etree.HTML(response) try: h3=req.xpath('//div[@class="title-box"]/h3/text()')[0] h3=self.validate_title(h3) author=req.xpath('//div[@class="title-box"]/span[@class="news-from"]/text()')[0] details=req.xpath('//div[@class="content-l detail"]/p/text()') detail='\n'.join(details) print(h3, author, detail) self.save(h3, author, detail) return h3, author, detail except IndexError: print(">>>采集出错需延时,5s后重试..") time.sleep(5) self.parse_detail(url) @staticmethod def validate_title(title): pattern = r"[\/\\\:\*\?\"\<\>\|]" new_title = re.sub(pattern, "_", title) # 替换为下划线 return new_title def save(self,h3, author, detail): with open(f'{h3}.txt','w',encoding='utf-8') as f: f.write('%s%s%s%s%s'%(h3,'\n',detail,'\n',author)) print(f"保存{h3}.txt文本成功!") def get_tasks(self): data_list = self.parse_home_list(self.url) for item in data_list: yield itemif __name__=="__main__": url="https://yz.chsi.com.cn/kyzx/jyxd/" spider=Spider(url) for data in spider.get_tasks(): print(data)
以上是"Python如何爬取新闻资讯"这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注行业资讯频道!
资讯
内容
新闻
数据
文本
篇文章
处理
成功
下划线
格式
详情
学习
帮助
规整
前言
字符
效果
数据采集
文件
文档
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
工业互联网剑桥科技
寒假网络安全工作总结
中国科技大学网络安全学院
中国农业银行总行软件开发部
2008数据库如何连接
上市公司网络安全计划
手机连接网络连不上服务器
网络技术需要学到什么程度
软件开发尾款多少
网络安全手抄报简单漂亮不要字
虎扑服务器
星于云服务器
战机世界从哪换服务器
怎样给服务器加硬盘
水务软件开发
惠山区先进网络技术创造辉煌
网安微森网络安全
内部服务器数据管理
烽火通信光软件开发
创新创业财务分析软件开发模板
武汉证券公司招聘软件开发
不是软件开发游戏
网络技术需要学到什么程度
数据库应用和特点
已安装插件和服务器插件不匹配
水务软件开发
网络安全应急公文标题
2017两会 网络安全法
重装后怎么加载数据库路径
申唐网络技术有限公司