Python爬虫爬取新闻资讯案例详解


Posted in Python onJuly 14, 2020

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

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!

Python爬虫爬取新闻资讯案例详解

应用到的库

requests,time,re,UserAgent,etree

import requests,time,re
from fake_useragent import UserAgent
from lxml import etree

列表页面

Python爬虫爬取新闻资讯案例详解

列表页,链接xpath解析

href_list=req.xpath('//ul[@class="news-list"]/li/a/@href')

详情页

Python爬虫爬取新闻资讯案例详解

Python爬虫爬取新闻资讯案例详解

内容xpath解析

h2=req.xpath('//div[@class="title-box"]/h2/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,h2, author, detail):
with open(f'{h2}.txt','w',encoding='utf-8') as f:
f.write('%s%s%s%s%s'%(h2,'\n',detail,'\n',author))

print(f"保存{h2}.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

Python爬虫爬取新闻资讯案例详解

程序采集效果

Python爬虫爬取新闻资讯案例详解

附源码参考:

# -*- coding: UTF-8 -*-

import requests,time,re
from fake_useragent import UserAgent
from lxml import etree

class 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:
        h2=req.xpath('//div[@class="title-box"]/h2/text()')[0]
        h2=self.validate_title(h2)
        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(h2, author, detail)
        self.save(h2, author, detail)
        return h2, 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,h2, author, detail):
    with open(f'{h2}.txt','w',encoding='utf-8') as f:
      f.write('%s%s%s%s%s'%(h2,'\n',detail,'\n',author))

    print(f"保存{h2}.txt文本成功!")
  def get_tasks(self):
    data_list = self.parse_home_list(self.url)
    for item in data_list:
      yield item
if __name__=="__main__":
  url="https://yz.chsi.com.cn/kyzx/jyxd/"
  spider=Spider(url)
  for data in spider.get_tasks():
    print(data)

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python使用socket向客户端发送数据的方法
Apr 29 Python
利用Python生成文件md5校验值函数的方法
Jan 10 Python
Python学习小技巧之利用字典的默认行为
May 20 Python
python如何实现反向迭代
Mar 20 Python
Python3 翻转二叉树的实现
Sep 30 Python
导入tensorflow时报错:cannot import name 'abs'的解决
Oct 10 Python
Python计算公交发车时间的完整代码
Feb 12 Python
Django模板获取field的verbose_name实例
May 19 Python
PyCharm中配置PySide2的图文教程
Jun 18 Python
Scrapy框架介绍之Puppeteer渲染的使用
Jun 19 Python
python 爬虫如何实现百度翻译
Nov 16 Python
python 使用pandas读取csv文件的方法
Dec 24 Python
Win10下配置tensorflow-gpu的详细教程(无VS2015/2017)
Jul 14 #Python
Python实现图片查找轮廓、多边形拟合、最小外接矩形代码
Jul 14 #Python
python操作微信自动发消息的实现(微信聊天机器人)
Jul 14 #Python
python如何写try语句
Jul 14 #Python
Python操作MySQL数据库的示例代码
Jul 13 #Python
Python基于正则表达式实现计算器功能
Jul 13 #Python
python输出结果刷新及进度条的实现操作
Jul 13 #Python
You might like
Android ProgressBar进度条和ProgressDialog进度框的展示DEMO
2013/06/19 PHP
php在windows环境下获得cpu内存实时使用率(推荐)
2018/02/08 PHP
用javascript将数据库中的TEXT类型数据动态赋值到TEXTAREA中
2007/04/20 Javascript
js arguments.callee的应用代码
2009/05/07 Javascript
javascript (用setTimeout而非setInterval)
2011/12/28 Javascript
JS隐藏参数post传值实例
2013/04/18 Javascript
Jquery的hover方法让鼠标经过li时背景变色
2013/09/06 Javascript
javascript alert乱码的解决方法
2013/11/05 Javascript
javascript在子页面中函数无法调试问题解决方法
2014/01/17 Javascript
原生javascript实现获取指定元素下所有后代元素的方法
2014/10/28 Javascript
基于jQuery实现表单提交验证
2014/11/24 Javascript
微信小程序遇到修改数据后页面不渲染的问题解决
2017/03/09 Javascript
nodejs multer实现文件上传与下载
2017/05/10 NodeJs
JavaScript实现开关等效果
2017/09/08 Javascript
JS将时间秒转换成天小时分钟秒的字符串
2019/07/10 Javascript
vue 动态添加class,三个以上的条件做判断方式
2020/11/02 Javascript
JavaScript实现网页tab栏效果制作
2020/11/20 Javascript
Python PyQt4实现QQ抽屉效果
2018/04/20 Python
浅谈django三种缓存模式的使用及注意点
2018/09/30 Python
Python读取系统文件夹内所有文件并统计数量的方法
2018/10/23 Python
python实现鸢尾花三种聚类算法(K-means,AGNES,DBScan)
2019/06/27 Python
python实现H2O中的随机森林算法介绍及其项目实战
2019/08/29 Python
Python使用pyyaml模块处理yaml数据
2020/04/14 Python
python pyecharts 实现一个文件绘制多张图
2020/05/13 Python
使用pandas库对csv文件进行筛选保存
2020/05/25 Python
关于HTML5你必须知道的28个新特性,新技巧以及新技术
2012/05/28 HTML / CSS
Myprotein台湾官方网站:全球领先的运动营养品牌
2018/12/10 全球购物
HomeAway英国:全球领先的度假租赁在线市场
2020/02/03 全球购物
财务会计专业应届毕业生求职信
2013/10/18 职场文书
软件工程专业推荐信
2013/10/28 职场文书
语文教学感言
2014/02/06 职场文书
连锁酒店店长职责范本
2014/02/13 职场文书
工程部岗位职责
2015/02/10 职场文书
中学推普周活动总结
2015/05/07 职场文书
公务员处分决定书
2015/06/25 职场文书
暑期社会实践新闻稿
2015/07/17 职场文书