[源代码]爬取新浪所有国内要闻

爬取新浪所有国内要闻

 

点击进入载地址

描述

以下是源代码的解释说明

 

最近要做一个食品安全方面的项目,需要爬取新闻。于是想到之前用BeautifulSoup爬虫还是非常方便的,今天正好试了一下,可行。

爬取的链接如下:http://news.sohu.com/1/0903/61/subject212846158.shtml

结构如下:

 

 

从第二页开始的链接格式是:http://news.sohu.com/1/0903/61/subject212846158_1091.shtml

逐页递减(即1091、1090如此)。

需要的内容: 标题、时间、来源、作者、全文。

准备: urllib2, BeautifulSoup, lxml

先引入这几个库

import urllib2
import lxml
from bs4 import BeautifulSoup

先用开发者工具得到headers(当然我们这里不用headers也可以)

headers = {
    "User-Agent": "ozilla/5.0 (Macintosh; Intel Mac OS X 10_12_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36"}
def sina_news(url,i):
    request = urllib2.Request(url,headers=headers)
    #发送请求,带headers
    response = urllib2.urlopen(request)
    #得到response
    html_doc = response.read()
    #读取得到HTML文件
    soup = BeautifulSoup(html_doc,'lxml')
    #对HTML使用lxml解析器进行解析
    titles = soup.select('td.newsblue1 > a:nth-of-type('+str(i)+')')
    #利用selector获得titles
    time = soup.select('td.newsblue1 > span:nth-of-type('+str(i)+')')
    #同上
    print titles[0].get_text()
    #由于select返回的是表,表的第一个元素是我们要的,所以titles[0],.get_text()是为了去掉一些HTML代码,只得到内容值
    print time[0].get_text()
    print titles[0]['href']

利用selector进行解析的时候是用到了开发者工具的定位功能,定位元素后,右键copy-selector即可,当然要注意nth-child(x)需要改成nth-of-type(x),在这里我们用了

nth-of-type('+str(i)+')')

这样的表达方式,是因为在该页面的结构中,新闻是以子项目排列的。如第一条就是nth-of-type(1),第二条就是nth-of-type(2),如此列推。测试一下结果:

for i in range(1,201):
    sina_news('http://news.sohu.com/1/0903/61/subject212846158.shtml',i)

结果如下:

 

 

现在仅仅是解决了标题、时间、链接,我们还有来源,作者。但是我们已经获得了每一条新闻的链接,那么这就很好办了。

我们先看一下每一条新闻的结构:

 

 

同理、很容易就能提取出来源、责任编辑。代码如下:

def get_source(url):
    request = urllib2.Request(url,headers=headers)
    response = urllib2.urlopen(request)
    html_doc = response.read()
    soup = BeautifulSoup(html_doc,'lxml')
    sources = soup.select('#media_span')
    editor = soup.select('#editor_baidu')
    return sources,editor

在原来的函数中增加如下代码:

sources,editor = get_source(titles[0]['href'])
if(sources):
    print sources[0].get_text()
if(editor):
    print editor[0].get_text()

由于来源和责任编辑不一定每一条新闻都有,因此这里加了一个判断条件。现在看看效果。

 

 

效果还可以,再提取所有页面的内容

def get_singalpage_all(url):
    for i in range(1,201):
        sina_news(url,i)

def get_all_page():
    url = 'http://news.sohu.com/1/0903/61/subject212846158'
    for i in range (1091,990,-1):
        wholeURL = url + '_' + str(i) + '.shtml'
        get_singalpage_all(wholeURL)

调用一下:

get_singalpage_all('http://news.sohu.com/1/0903/61/subject212846158.shtml')
get_all_page()

成功爬取了所有国内要闻。

发表评论

电子邮件地址不会被公开。 必填项已用*标注