Python爬虫实战 | (5) 爬取人民网新闻指定页面

2023-11-03 09:59

本文主要是介绍Python爬虫实战 | (5) 爬取人民网新闻指定页面,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!

在本篇博客中,我们将使用requests+正则表达式爬取指定页面的新闻内容,使用正则表达式解析网页,获取新闻的题目、日期、来源、正文内容。

首先,搭建起主体程序,爬虫四部曲:

import json
import requests
from requests.exceptions import RequestException
import re
import timedef get_page(url):passdef get_parser(html):passdef write_tofile(title,article):passif __name__=='__main__':#指定新闻urlurl = 'http://it.people.com.cn/n1/2019/0325/c1009-30993121.html'#发送请求,获取响应html = get_page(url)#解析响应title,article = get_parser(html)#数据存储write_tofile(title,article)

发送请求,获取响应。编写get_page()函数:

def get_page(url):try:# 添加User-Agent,放在headers中,伪装成浏览器headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'}response = requests.get(url, headers=headers)if response.status_code == 200:response.encoding = response.apparent_encodingreturn response.textreturn Noneexcept RequestException:return None

解析响应,提取题目、日期、来源,正文:

题目、日期、来源:

正文(分布在各个p标签中):

def get_parser(html):#提取题目 日期 来源html = str(html)pattern = re.compile('<h1>(.*?)</h1>.*?<div class="fl">(.*?)&nbsp;&nbsp;来源:<a.*?>(.*?)</a></div>',re.S)title = pattern.findall(html)[0]print(title)#正文#可以提取两次 第一次缩小范围,第二词再从小范围HTML代码中提取pattern = re.compile('<div class="fl text_con_left">(.*?)<div class="edit clearfix">',re.S)article = pattern.findall(html)[0]pattern = re.compile('<p>(.*?)</p>',re.S)article = pattern.findall(article)return title,article

数据存储:

def write_tofile(title,article):with open('news.txt','w',encoding='utf-8') as f:f.write(title[0].replace('&nbsp;','')+'\t'+title[1]+'\t'+title[2]+'\n')for i in article:f.write(i.strip())

完整代码:

import json
import requests
from requests.exceptions import RequestException
import re
import timedef get_page(url):try:# 添加User-Agent,放在headers中,伪装成浏览器headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'}response = requests.get(url, headers=headers)if response.status_code == 200:response.encoding = response.apparent_encodingreturn response.textreturn Noneexcept RequestException:return Nonedef get_parser(html):#提取题目 日期 来源html = str(html)pattern = re.compile('<h1>(.*?)</h1>.*?<div class="fl">(.*?)&nbsp;&nbsp;来源:<a.*?>(.*?)</a></div>',re.S)title = pattern.findall(html)[0]print(title)#正文#可以提取两次 第一次缩小范围,第二词再从小范围HTML代码中提取pattern = re.compile('<div class="fl text_con_left">(.*?)<div class="edit clearfix">',re.S)article = pattern.findall(html)[0]pattern = re.compile('<p>(.*?)</p>',re.S)article = pattern.findall(article)return title,articledef write_tofile(title,article):with open('news.txt','w',encoding='utf-8') as f:f.write(title[0].replace('&nbsp;','')+'\t'+title[1]+'\t'+title[2]+'\n')for i in article:f.write(i.strip())if __name__=='__main__':#指定新闻urlurl = 'http://tc.people.com.cn/n1/2019/0227/c183008-30906013.html'#发送请求,获取响应html = get_page(url)#解析响应title,article = get_parser(html)#数据存储write_tofile(title,article)

 

 

 

 

 

 

 

 

 

 

 

这篇关于Python爬虫实战 | (5) 爬取人民网新闻指定页面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/337401

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

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

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

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