python爬取虎嗅网首页新闻超链接、图片链接、标题

2023-11-01 15:40

本文主要是介绍python爬取虎嗅网首页新闻超链接、图片链接、标题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

要求:爬取该网站首页内容,即获取每一个超链接、图片链接、标题,以.CSV存储(一行就是一个新闻的超链接、图片链接、标题)

文章目录

    • 用不上的思考过程
    • 正文
        • 1.观察新闻页面源码
        • 2.编写代码提取信息
        • 3.观察首页源码并编写正则表达式
    • 源码

建议直接点正文👆

用不上的思考过程

1.新闻超链接存在于a的herf属性中,/article/408795.html,前面要加上https://www.huxiu.com

2.图片链接暂时还不知道存在哪

https://img.huxiucdn.com/article/cover/202102/06/102020604605.jpg?imageView2/1/w/800/h/450/|imageMogr2/strip/interlace/1/quality/85/format/jpg

3.标题存在于img alt和h5节点下的内容中,h5.string

img alt查了一下,是为了不能正确看到图片而显示出的标签。所以标题存在于h5节点下的内容

爬取的网站源码

功夫不负有心人,在我不断往下滑的时候瞟到了熟悉的题目

image-20210206132537147

news下的focus下的title是标题,pic_path是图片链接,但在每个节点前加了u002F,第一个\u200F要去掉,后面都要去除u002F

上面属于网站的 新闻聚焦 部分

再往下滑

image-20210206134401245

但是这貌似不是首页的新闻,有些找不到,但是它这个新闻标题,链接和图片链接都能找得到

标题存放于title项

链接存放于share_url

图片链接存放于pic_path

链接和图片链接都要删除掉一定内容(u002F)


正文

首页源代码下有些新闻标签没有标图片链接,有些甚至没标题~~(这就离谱)~~ ,陷入了思考…

我突然想到,可以先进入网址再查看图片和标题

希望他每个网页不要布局不太一样…

仔细观察了几个新闻页面的源代码,所幸,是一样的

所以现在的步骤应该是:

1.用一定的手法找到所有新闻链接

2.获取新闻链接后,进入,获取图片链接和标题

3.按格式存储入文件

现在要在新闻页面中进行操作,提取出标题和图片链接(问了一下我哥,他说要学正则表达式,我就认真看了看正则)

1.观察新闻页面源码

image-20210207233814947

2.编写代码提取信息

通过观察可以得知:

图片链接:meta的content属性

根据网页源码写了正则表达式,可以提取出来。不过findall以列表形式返回,所以[0]取单个元素。

标题:title节点的内容

可由BeautifulSoup直接拿出,soup.title.string,不过显示多了-虎嗅网,通过split方法取出即可

image-20210208122254828

3.观察首页源码并编写正则表达式

现在已经搞定一个新闻的了,现在就是差得到新闻链接了~

所以我要写一个提取新闻网址的正则表达式

所以我们得观察一下新闻网址前后的内容

首页源代码的新闻网址a节点的href属性

image-20210207233726245

首页的新闻

视频新闻部分的a节点是这样的

 <div class="article-item article-item--normal" data-v-0c506fb6=""><a data-v-0c506fb6="" href="/article/408827.html" target="_blank"><div class="article-item__img" data-v-0c506fb6=""><img alt="用1000块竟然就能得到新年超跑?" data-v-0c506fb6=""/></div><div class="article-item__content" data-v-0c506fb6="">
<a class="article-item__content__user-info__nickname single-line-overflow" data-v-0c506fb6="" href="https://www.huxiu.com/member/3014414.html" target="_blank">

草,还有可能提取到用户页面,但是这个href属性是完整的。

普通新闻的a节点是这样的

<div class="article-item article-item--big golden" data-v-0c506fb6=""><a data-v-0c506fb6="" href="/article/408717.html" target="_blank"><div class="article-item__img" data-v-0c506fb6="">
<a data-v-0c506fb6="" href="/article/408846.html" target="_blank">

在源代码中看到有一部分是这样写的

<a data-v-3c69b7e2="" href="javascript:;">

如果正则只写到a.*?href会有很多干扰项

最终确定为a.*?href="/article(.*?)",这样可以保证提取出来的是新闻页面链接(相对的)

href="/article/408717.html"

import re
results = re.findall('a.*?href="/article(.*?)"',html,re.S)

最后还要加上前缀https:😕/ww.huxiu.com/article

出现了一个错误:由于正则中精准到article,而我前缀pre只到.com,所以出来的网址访问不了。改一下就好了

image-20210208141004633

源码

# 库导入
import requests
from bs4 import BeautifulSoup
import re
import csv# 获取每个新闻的网址# Chrome可以通过about::version查看user-agent信息,在 代理信息 处
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
}
# 不同网站对headers内容要求不同,虎嗅 有user-agent即可
r = requests.get('https://www.huxiu.com/',headers = headers)
# 调用BeautifulSoup对响应进行初始化,此处解析器选用lxml
soup = BeautifulSoup(r.text,'lxml')
html = soup.prettify()
# 通过正则表达式找到网址
results = re.findall('a.*?="/article(.*?)"',html,re.S)# 由于提取出来的内容是相对路径,所以得给他加上前缀
pre = 'https://www.huxiu.com/article'
urls = []
# 将url存入列表中
for result in results:if(result == '/'):continueelse:url = pre + resulturls.append(url)# 访问与存储
# 写入模式下创建一个空头,下面存储的时候改为追加模式a
with open('imawork.csv','w',encoding = 'utf-8') as csvfile:fieldnames = ['超链接','图片链接','标题']writer = csv.DictWriter(csvfile,fieldnames = fieldnames)writer.writeheader()for url in urls:# 请求新闻网址response = requests.get(url,headers = headers)# 获取标题soup = BeautifulSoup(response.text)_title = soup.title.string.split('-')[0] # 获取图片链接imglink = re.findall('<meta.*?image.*?content="(.*?)">',response.text,re.S)[0]# 存储入csv文件with open('imawork.csv','a',encoding = 'utf-8') as csvfile:fieldnames = ['超链接','图片链接','标题']writer = csv.DictWriter(csvfile,fieldnames = fieldnames)_dict = {'超链接':url,'图片链接':imglink,'标题':_title}writer.writerow(_dict)

运行之后就可以看到程序目录下生成了imawork.csv文件啦。

最后,感谢学习过程中开哥不厌其烦的回答我一些琐碎的问题。

这篇关于python爬取虎嗅网首页新闻超链接、图片链接、标题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/324011

相关文章

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很