Python爬取新闻网数据，2024年最新大厂面试技巧

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但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年最新Python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。

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，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

• 使用常规解析网站操作（re、css、xpath）提取新闻内容

• 保存数据

代码实现

---

• 获取网页源代码

def get_html(html_url):

“”"

获取网页源代码 response

:param html_url: 网页url地址

:return: 网页源代码

“”"

response = requests.get(url=html_url, headers=headers)

return response

• 获取每篇新闻url地址

def get_page_url(html_data):

“”"

获取每篇新闻url地址

:param html_data: response.text

:return: 每篇新闻的url地址

“”"

page_url_list = re.findall(‘“url”:“(.*?)”’, html_data)

return page_url_list

• 文件保存命名不能含有特殊字符，需要对新闻标题进行处理

def file_name(name):

“”"

文件命名不能携带 特殊字符

:param name: 新闻标题

:return: 无特殊字符的标题

“”"

replace = re.compile(r’[\/😗?"<>|]')

new_name = re.sub(replace, ‘_’, name)

return new_name

• 保存数据

def download(content, title):

“”"

with open 保存新闻内容 txt

:param content: 新闻内容

:param title: 新闻标题

:return:

“”"

path = ‘新闻\’ + title + ‘.txt’

with open(path, mode=‘a’, encoding=‘utf-8’) as f:

f.write(content)

print(‘正在保存’, title)

• 主函数

def main(url):

“”"

主函数

:param url: 新闻列表页 url地址

:return:

“”"

html_data = get_html(url).text # 获得接口数据response.text

lis = get_page_url(html_data) # 获得新闻url地址列表

for li in lis:

page_data = get_html(li).content.decode(‘utf-8’, ‘ignore’) # 新闻详情页 response.text

selector = parsel.Selector(page_data)

title = re.findall(‘’, page_data, re.S)[0] # 获取新闻标题

new_title = file_name(title)

new_data = selector.css(‘#cont_1_1_2 div.left_zw p::text’).getall()

content = ‘’.join(new_data)

download(content, new_title)

if name == ‘main’:

for page in range(1, 101):

url_1 = ‘https://channel.chinanews.com/cns/cjs/gj.shtml?pager={}&pagenum=9&t=5_58’.format(page)

main(url_1)

运行效果图

---

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-Cuj7f3W4-1713175580545)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！