如何利用python爬取网易新闻

下载地址

• chromedriver：https://code.google.com/p/chromedriver/downloads/list

• Firefox 的驱动 geckodriver：https://github.com/mozilla/geckodriver/releases/

• IE 的驱动 IEdrive：http://www.nuget.org/packages/Selenium.WebDriver.IEDriver/

了解网页

网页绚丽多彩，美轮美奂，如同一幅水彩画。爬取数据首先需要知道所需要抓取的数据是怎样的呈现的，就像学作一幅画，开始前你要知道这幅画是用什么画出来的，铅笔还是水彩笔…可能种类是多样的，但是放到网页信息来说这儿只有两种呈现方式：

• HTML

• JSON

HTML是用来描述网页的一种语言

JSON是一种轻量级的数据交换格式

爬取网页信息其实就是向网页提出请求，服务器就会将数据反馈给你

2. 获得动态加载源码

---

导入需要的用的模块和库：

from bs4 import BeautifulSoup

import time

import def_text_save as dts

import def_get_data as dgd

from selenium import webdriver

from selenium.webdriver.common.keys import Keys

from selenium.webdriver.common.action_chains import ActionChains #引入ActionChains鼠标操作类

获取网页信息需要发送请求，requests 能帮我们很好的完成这件事，但是仔细观察发现网易新闻是动态加载，requests 返回的是即时信息，网页部分稍后加载出来的数据没有返回，这种情况 selenium 能够帮助我们得到更多的数据，我们将 selenium 理解为一个自动化测试工具就好，Selenium 测试直接运行在浏览器中，就像真正的用户在操作一样。

我使用的浏览器为Firefox

browser = webdriver.Firefox()#根据浏览器切换

browser.maximize_window()#最大化窗口

browser.get(‘http://news.163.com/domestic/’)

这样我们就能驱动浏览器自动登陆网易新闻页面

我们的目标自然是一次将国内板块爬取下来，观察网页，在网页不断向下刷时，新的新闻才会加载出来，到最下面甚至还有需要点击按钮才能刷新：

这时使用 selenium 就能展现其优势：自动化，模拟鼠标键盘操作：

diver.execute_script(“window.scrollBy(0,5000)”)

#使网页向下拉，括号内为每次下拉数值

在网页中右键点击加载更多按钮，点击查看元素，可以看到

通过这个 class 就可以定位到按钮，碰到按钮时，click 事件就能帮助我们自动点击按钮完成网页刷新

爬取板块动态加载部分源代码

info1=[]

info_links=[] #存储文章内容链接

try:

while True :

if browser.page_source.find(“load_more_btn”) != -1 :

browser.find_element_by_class_name(“load_more_btn”).click()

browser.execute_script(“window.scrollBy(0,5000)”)

time.sleep(1)

except:

url = browser.page_source#返回加载完全的网页源码

browser.close()#关闭浏览器

3. 获取有用信息

简单来说，BeautifulSoup 是 python 的一个库，最主要的功能是从网页抓取数据，能减轻菜鸟的负担。

通过 BeautifulSoup 解析网页源码，在加上附带的函数，我们能轻松取出想要的信息，例如：获取文章标题，标签以及文本内容超链接

同样在文章标题区域右键点击查看元素：

观察网页结构发现每一个div标签class=“news_title" 下都是文章的标题和超链接。soup.find_all()函数能帮我们找到我们想要的全部信息，这一级结构下的内容就能一次摘取出来。最后通过字典，把标签信息，挨个个取出来。

info_total=[]

def get_data(url):

soup=BeautifulSoup(url,“html.parser”)

titles=soup.find_all(‘div’,‘news_title’)

labels=soup.find(‘div’,‘ns_area second2016_main clearfix’).find_all(‘div’,‘keywords’)

for title, label in zip(titles,labels ):

data = {

‘文章标题’: title.get_text().split(),

‘文章标签’:label.get_text().split() ,

‘link’:title.find(“a”).get(‘href’)

}

info_total.append(data)

return info_total

4. 获取新闻内容

自此，新闻链接已经被我们取出来存到列表里了，现在需要做的就是利用链接得到新闻主题内容。新闻主题内容页面为静态加载方式，requests 能轻松处理：

def get_content(url):

info_text = []

info=[]

adata=requests.get(url)

soup=BeautifulSoup(adata.text,‘html.parser’)

try :

articles = soup.find(“div”, ‘post_header’).find(‘div’, ‘post_content_main’).find(‘div’, ‘post_text’).find_all(‘p’)

except :

articles = soup.find(“div”, ‘post_content post_area clearfix’).find(‘div’, ‘post_body’).find(‘div’, ‘post_text’).find_all(

‘p’)

for a in articles:

a=a.get_text()

a= ’ '.join(a.split())

info_text.append(a)

return (info_text)

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）