Python爬蟲實戰案例:爬取新聞資訊

来源:https://www.cnblogs.com/zwhy8/archive/2020/07/11/13285708.html
-Advertisement-
Play Games

前言 本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯繫我們以作處理。 一個簡單的Python資訊採集案例,列表頁到詳情頁,到數據保存,保存為txt文檔,網站網頁結構算是比較規整,簡單清晰明瞭,資訊新聞內容的採集和保存! 應用到的庫 reques ...


前言

本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯繫我們以作處理。

一個簡單的Python資訊採集案例,列表頁到詳情頁,到數據保存,保存為txt文檔,網站網頁結構算是比較規整,簡單清晰明瞭,資訊新聞內容的採集和保存!

Python爬蟲實戰案例:爬取新聞資訊

 

Python爬蟲實戰案例:爬取新聞資訊

 

應用到的庫

requests,time,re,UserAgent,etree

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

列表頁面

Python爬蟲實戰案例:爬取新聞資訊

 

列表頁,鏈接xpath解析

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

詳情頁

Python爬蟲實戰案例:爬取新聞資訊

 

Python爬蟲實戰案例:爬取新聞資訊

 

內容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()')

內容格式化處理

detail='\n'.join(details)

標題格式化處理,替換非法字元

pattern = r"[\/\\\:\*\?\"\<\>\|]"
new_title = re.sub(pattern, "_", title) # 替換為下劃線

保存數據,保存為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!")

遍曆數據採集,yield處理

def get_tasks(self):
data_list = self.parse_home_list(self.url)
for item in data_list:
yield item

程式運行效果

Python爬蟲實戰案例:爬取新聞資訊

 

程式採集效果

Python爬蟲實戰案例:爬取新聞資訊

 

附源碼參考:

#研招網考研資訊採集
#20200710 by微信:huguo00289
# -*- 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(">>>採集出錯需延時,5s後重試..")
time.sleep(5)
self.parse_detail(url)


@staticmethod
def validate_title(title):
pattern = r"[\/\\\:\*\?\"\<\>\|]"
new_title = re.sub(pattern, "_", title) # 替換為下劃線
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)

您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Web前端並不算新興行業,在國內也已經發展好些年了,隨著互聯網電商項目的不斷發展,讓企業越來越重視用戶體驗,而Web前端開發工程師正是實現這樣一切的關鍵。 Web前端工程師已成為目前行業內最緊俏的職位。Web前端開發依然是值得大家選擇的職業。各個企業對於人才稀缺量比較大,和其他的行業相比它還沒有達到 ...
  • 如果你是一位前端開發工程師,對“跨平臺”一詞應該不會感到陌生。像常見的前端框架:比如React、Vue、Angular,它們可以做網頁端,也可以做移動端,但很少能做到跨PC、Mac端,也就是我們熟知的Windows、Linux以及macOS上的應用程式。即使有,受限於JS的性能瓶頸,當有大量的科學計 ...
  • type 指示type要使用的驗證器。可識別的類型值為: string:類型必須為string。type 預設是 string // 校驗 string: [ {type: 'string', message: `請輸入字元串`, trigger: 'blur'} ] <el-form-item l ...
  • var arr = [4,0,7,9,0,0,2,6,0,3,1]; var x; function zy(arr,x) { for(var i=0; i<arr.length;i++) { if(arr[i] == x) { arr.splice(i,1); i--; } } } zy(arr,0 ...
  • 先看再點贊,給自己一點思考的時間,思考過後請毫不猶豫微信搜索【沉默王二】,關註這個長髮飄飄卻靠才華苟且的程式員。本文 GitHub github.com/itwanger 已收錄,裡面還有技術大佬整理的面試題,以及二哥的系列文章。 關於 Java 基礎、Java 面向對象編程、Java 字元串、Ja ...
  • 一、使用數據類型的雷區 不要賦值給不相關的變數 例如:int a = 2.36這條語句,會直接給a賦值2,而不會進行四捨五入,原理是直接截斷小數點後面的數字。 例如:float b = 3.1415926536,C中保證了float類型的前6位精度,會損失精度,應該使用double來進行賦值。 許多 ...
  • C語言,作為大多數人的第一門編程語言,重要性不言而喻,很多編程習慣,邏輯方式在此時就已經形成了。這個是我在大一學習 C語言 後寫的推箱子小游戲,自己的邏輯能力得到了提升,在這裡同大家分享這個推箱子小游戲項目。 GitHub 倉庫地址:github.com/weizhiwen/C… 先來看看最後的運行 ...
  • 前言:在我們的日常編程中難免會有些我們自定義的配置,雖然Java中提供了很多的讀取配置文件的方法,但是當我們需要修改配置文件的key的時候,就會發現太過散亂了,工作量也會很大,涉及的文件還很多,一不小心就要出問題。那這個時候如果我們能夠把所有的配置的key都放到一個文件中,其他文件需要獲取配置的時候 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...