Python爬虫实战 | (5) 爬取人民网新闻指定页面

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)