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

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.