抓取网易新闻

最新推荐文章于 2023-10-04 09:58:20 发布

我要的shine

最新推荐文章于 2023-10-04 09:58:20 发布

阅读量1.6k

点赞数

分类专栏： Python 文章标签： python 代码

本文链接：https://blog.csdn.net/ccy950903/article/details/50095837

版权

Python 专栏收录该内容

22 篇文章 1 订阅

订阅专栏

自己写了些关于抓取网易新闻的爬虫，发现其网页源代码与网页的评论根本就对不上，所以，

采用了抓包工具得到了其评论的隐藏地址（每个浏览器都有自己的抓包工具，都可以用来分析网站）

如果仔细观察的话就会发现，有一个特殊的，那么这个就是自己想要的了

然后打开链接就可以找到相关的评论内容了。（下图为第一页内容）

接下来就是代码了(也照着大神的改改写写了)。

#coding=utf-8
import urllib2
import re
import json
import time

class WY():
    def __init__(self):
        self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.24 (KHTML, like '}
        self.url='http://comment.news.163.com/data/news3_bbs/df/B9IBDHEH000146BE_1.html'
    def getpage(self,page):
        full_url='http://comment.news.163.com/cache/newlist/news3_bbs/B9IBDHEH000146BE_'+str(page)+'.html'
        return full_url
    def gethtml(self,page):
        try:
            req=urllib2.Request(page,None,self.headers)
            response = urllib2.urlopen(req)
            html = response.read()
            return html
        except urllib2.URLError,e:
            if hasattr(e,'reason'):
                print u"连接失败",e.reason
                return None
    #处理字符串
    def Process(self,data,page):
        if page == 1:
            data=data.replace('var replyData=','')
        else:
            data=data.replace('var newPostList=','')
        reg1=re.compile(" \[<a href=''>")
        data=reg1.sub(' ',data)
        reg2=re.compile('<\\\/a>\]')
        data=reg2.sub('',data)
        reg3=re.compile('<br>')
        data=reg3.sub('',data)
        return data
    #解析json
    def dealJSON(self):
        with open("WY.txt","a") as file:
            file.write('ID'+'|'+'评论'+'|'+'踩'+'|'+'顶'+'\n')
        for i in range(1,12):
            if i == 1:
                data=self.gethtml(self.url)
                data=self.Process(data,i)[:-1]
                value=json.loads(data)
                file=open('WY.txt','a')
                for item in value['hotPosts']:
                    try:
                        file.write(item['1']['f'].encode('utf-8')+'|')
                        file.write(item['1']['b'].encode('utf-8')+'|')
                        file.write(item['1']['a'].encode('utf-8')+'|')
                        file.write(item['1']['v'].encode('utf-8')+'\n')
                    except:
                        continue
                file.close()
                print '--正在采集%d/12--'%i
                time.sleep(5)
            else:
                page=self.getpage(i)
                data = self.gethtml(page)
                data = self.Process(data,i)[:-2]
                # print data
                value=json.loads(data)
                # print value
                file=open('WY.txt','a')
                for item in value['newPosts']:
                    try:
                        file.write(item['1']['f'].encode('utf-8')+'|')
                        file.write(item['1']['b'].encode('utf-8')+'|')
                        file.write(item['1']['a'].encode('utf-8')+'|')
                        file.write(item['1']['v'].encode('utf-8')+'\n')
                    except:
                        continue
                file.close()
                print '--正在采集%d/12--'%i
                time.sleep(5)

if __name__ == '__main__':
    WY().dealJSON()

以上就是我爬取的代码了。