python爬取新闻门户网站的示例


Posted in Python onApril 25, 2021

项目地址:

https://github.com/Python3Spiders/AllNewsSpider

如何使用

每个文件夹下的代码就是对应平台的新闻爬虫

  1. py 文件直接运行
  2. pyd 文件需要,假设为 pengpai_news_spider.pyd

将 pyd 文件下载到本地,新建项目,把 pyd 文件放进去

项目根目录下新建 runner.py,写入以下代码即可运行并抓取

import pengpai_news_spider
pengpai_news_spider.main()

示例代码

百度新闻

# -*- coding: utf-8 -*-
# 文件备注信息       如果遇到打不开的情况,可以先在浏览器打开一下百度搜索引擎

import requests

from datetime import datetime, timedelta

from lxml import etree

import csv

import os

from time import sleep
from random import randint


def parseTime(unformatedTime):
    if '分钟' in unformatedTime:
        minute = unformatedTime[:unformatedTime.find('分钟')]
        minute = timedelta(minutes=int(minute))
        return (datetime.now() -
                minute).strftime('%Y-%m-%d %H:%M')
    elif '小时' in unformatedTime:
        hour = unformatedTime[:unformatedTime.find('小时')]
        hour = timedelta(hours=int(hour))
        return (datetime.now() -
                hour).strftime('%Y-%m-%d %H:%M')
    else:
        return unformatedTime


def dealHtml(html):
    results = html.xpath('//div[@class="result-op c-container xpath-log new-pmd"]')

    saveData = []

    for result in results:
        title = result.xpath('.//h3/a')[0]
        title = title.xpath('string(.)').strip()

        summary = result.xpath('.//span[@class="c-font-normal c-color-text"]')[0]
        summary = summary.xpath('string(.)').strip()

        # ./ 是直接下级,.// 是直接/间接下级
        infos = result.xpath('.//div[@class="news-source"]')[0]
        source, dateTime = infos.xpath(".//span[last()-1]/text()")[0], \
                           infos.xpath(".//span[last()]/text()")[0]

        dateTime = parseTime(dateTime)

        print('标题', title)
        print('来源', source)
        print('时间', dateTime)
        print('概要', summary)
        print('\n')

        saveData.append({
            'title': title,
            'source': source,
            'time': dateTime,
            'summary': summary
        })
    with open(fileName, 'a+', encoding='utf-8-sig', newline='') as f:
        writer = csv.writer(f)
        for row in saveData:
            writer.writerow([row['title'], row['source'], row['time'], row['summary']])


headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',
    'Referer': 'https://www.baidu.com/s?rtt=1&bsst=1&cl=2&tn=news&word=%B0%D9%B6%C8%D0%C2%CE%C5&fr=zhidao'
}

url = 'https://www.baidu.com/s'

params = {
    'ie': 'utf-8',
    'medium': 0,
    # rtt=4 按时间排序 rtt=1 按焦点排序
    'rtt': 1,
    'bsst': 1,
    'rsv_dl': 'news_t_sk',
    'cl': 2,
    'tn': 'news',
    'rsv_bp': 1,
    'oq': '',
    'rsv_btype': 't',
    'f': 8,
}


def doSpider(keyword, sortBy = 'focus'):
    '''
    :param keyword: 搜索关键词
    :param sortBy: 排序规则,可选:focus(按焦点排序),time(按时间排序),默认 focus
    :return:
    '''
    global fileName
    fileName = '{}.csv'.format(keyword)

    if not os.path.exists(fileName):
        with open(fileName, 'w+', encoding='utf-8-sig', newline='') as f:
            writer = csv.writer(f)
            writer.writerow(['title', 'source', 'time', 'summary'])

    params['wd'] = keyword
    if sortBy == 'time':
        params['rtt'] = 4

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

    html = etree.HTML(response.text)

    dealHtml(html)

    total = html.xpath('//div[@id="header_top_bar"]/span/text()')[0]

    total = total.replace(',', '')

    total = int(total[7:-1])

    pageNum = total // 10

    for page in range(1, pageNum):
        print('第 {} 页\n\n'.format(page))
        headers['Referer'] = response.url
        params['pn'] = page * 10

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

        html = etree.HTML(response.text)

        dealHtml(html)

        sleep(randint(2, 4))
    ...


if __name__ == "__main__":
    doSpider(keyword = '马保国', sortBy='focus')

以上就是python爬取新闻门户网站的示例的详细内容,更多关于python爬取新闻门户网站的资料请关注三水点靠木其它相关文章!

Python 相关文章推荐
Python二分法搜索算法实例分析
May 11 Python
Python开发如何在ubuntu 15.10 上配置vim
Jan 25 Python
Python利用IPython提高开发效率
Aug 10 Python
CentOS下使用yum安装python-pip失败的完美解决方法
Aug 16 Python
50行Python代码实现人脸检测功能
Jan 23 Python
python实现可视化动态CPU性能监控
Jun 21 Python
python Web开发你要理解的WSGI & uwsgi详解
Aug 01 Python
python实现汽车管理系统
Nov 30 Python
python实现windows壁纸定期更换功能
Jan 21 Python
Python学习笔记之列表和成员运算符及列表相关方法详解
Aug 22 Python
pandas和spark dataframe互相转换实例详解
Feb 18 Python
超级详细实用的pycharm常用快捷键
May 12 Python
python自然语言处理之字典树知识总结
Python自然语言处理之切分算法详解
Apr 25 #Python
Python网络编程之ZeroMQ知识总结
Python 文本滚动播放器的实现代码
Apr 25 #Python
Python基于Opencv识别两张相似图片
matplotlib之pyplot模块实现添加子图subplot的使用
python实现简单区块链结构
You might like
php下HTTP Response中的Chunked编码实现方法
2008/11/19 PHP
php SQL之where语句生成器
2009/03/24 PHP
php cache类代码(php数据缓存类)
2010/04/15 PHP
PHP中mysqli_get_server_version()的实例用法
2020/02/03 PHP
Thinkphp 框架基础之入口文件功能、定义与用法分析
2020/04/27 PHP
JavaScript 开发中规范性的一点感想
2009/06/23 Javascript
JQuery datepicker 使用方法
2011/05/20 Javascript
Jquery AJAX POST与GET之间的区别
2013/11/14 Javascript
jquery用data方法获取某个元素上的事件
2014/06/23 Javascript
jQuery中wrapAll()方法用法实例
2015/01/16 Javascript
jQuery实现的数值范围range2dslider选取插件特效多款代码分享
2015/08/27 Javascript
javascript多物体运动实现方法分析
2016/01/08 Javascript
Bootstrap Metronic完全响应式管理模板学习笔记
2016/07/08 Javascript
jquery广告无缝轮播实例
2017/01/05 Javascript
vue-quill-editor+plupload富文本编辑器实例详解
2018/10/19 Javascript
swiper.js插件实现pc端文本上下滑动功能示例
2018/12/03 Javascript
学前端,css与javascript重难点浅析
2020/06/11 Javascript
[48:56]2018DOTA2亚洲邀请赛 3.31 小组赛 A组 VG vs KG
2018/03/31 DOTA
Python多线程编程(七):使用Condition实现复杂同步
2015/04/05 Python
举例讲解Python设计模式编程的代理模式与抽象工厂模式
2016/01/16 Python
Python语言实现将图片转化为html页面
2017/12/06 Python
Django+Xadmin构建项目的方法步骤
2019/03/06 Python
Python获取命令实时输出-原样彩色输出并返回输出结果的示例
2019/07/11 Python
Django1.11自带分页器paginator的使用方法
2019/10/31 Python
使用Python构造hive insert语句说明
2020/06/06 Python
python 常见的反爬虫策略
2020/09/27 Python
python实现图片转字符画的完整代码
2021/02/21 Python
HTML5实时语音通话聊天MP3压缩传输3KB每秒
2019/08/28 HTML / CSS
goodhealth官方海外旗舰店:新西兰国民营养师
2017/12/15 全球购物
成考报名单位证明范本
2014/01/16 职场文书
初中语文教学反思
2014/02/02 职场文书
售后服务经理岗位职责范本
2014/02/22 职场文书
作风建设年活动总结
2014/08/27 职场文书
2014年社区教育工作总结
2014/12/02 职场文书
介绍信应该怎么开?
2019/04/03 职场文书
最新最全的手机号验证正则表达式
2022/02/24 Javascript