Python如何爬取新闻资讯
发表于:2025-02-19 作者:千家信息网编辑
千家信息网最后更新 2025年02月19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 2025年02月19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
网络安全法规定通过
一对一软件开发家教
石油公司服务器设备安全制度
华为s6云服务器如何设置
网络安全一般是指网络的硬件
软件开发常见面试问题回答
国家网络安全示范城市
英文讲解网络安全ppt
连上网显示服务器无响应
pr媒体缓存数据库能修改位置吗
银行网络安全保障活动方案
dmp文件导入其他数据库
8.3哪个服务器比较平衡
坦克世界服务器准星开了什么
习近平广东网络安全
环状rna数据库命名方式
eis 网络安全加速
洛阳变压器万谦网络技术支持
怎么跨数据库备份
陆军网络安全警示片
供销网络安全宣传开展情况
网络安全宣讲活动简报
传奇世界彩虹3数据库工具
cg数据库激活码
审计局 网络安全应急团队
psv破解重构数据库
手机端信息管理软件开发
重庆热链网络技术有限公司
断点续传技术数据库
誉学堂app通信网络安全