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.

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1:用psutil库(推荐)三、方法2:用os.system调用

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB