人民网最新爬虫

# -*- coding: utf-8 -*-
import requests
import os
import csv
import time
from lxml import etree

def spyder(myUrl):
    myWebContent=requests.get(myUrl).content.decode("GB2312",'ignore')
    myHTMLetree=etree.HTML(myWebContent)
    myList=myHTMLetree.xpath("//li")
    for item in myList:
        # print(item.xpath("./a")[0].text)
        # print(item.xpath("./em")[0].text)
        # print(item.xpath('./a/@href'))
        herf='http://politics.people.com.cn'+str(item.xpath('./a/@href'))
        herf_=herf.replace('[','').replace(']','').replace("'",'')
        print([item.xpath("./a")[0].text,item.xpath("./em")[0].text,herf_])
        save_file([item.xpath("./a")[0].text,item.xpath("./em")[0].text,herf_])




def save_file(row_info):
    path = "f:/测试/"
    if not os.path.exists(path):
        os.mkdir(path)
    with open(path+'people' + '.txt',"a",encoding="utf-8",newline='') as fp:
        file_writer = csv.writer(fp)
        file_writer.writerow(row_info)
        fp.close


if __name__ == '__main__':
    for i in range(1,10000):
        url = 'http://politics.people.com.cn/GB/1024/index'+ str(i) +'.html'
        time.sleep(2)
        print(spyder(url))

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于BERT构建新闻文本分类模型,并结合node.js + vue完成了一个可视化界面。 爬虫(Web Crawler)是一种自动化程序,用于从互联上收集信息。其主要功能是访问页、提取数据并存储,以便后续分析或展示。爬虫通常由搜索引擎、数据挖掘工具、监测系统等应用于络数据抓取的场景。 爬虫的工作流程包括以下几个关键步骤: URL收集: 爬虫从一个或多个初始URL开始,递归或迭代地发现新的URL,构建一个URL队列。这些URL可以通过链接分析、站点地图、搜索引擎等方式获取。 请求页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取页的HTML内容。这通常通过HTTP请求库实现,如Python中的Requests库。 解析内容: 爬虫对获取的HTML进行解析,提取有用的信息。常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用的存储形式包括关系型数据库、NoSQL数据库、JSON文件等。 遵守规则: 为避免对站造成过大负担或触发反爬虫机制,爬虫需要遵守站的robots.txt协议,限制访问频率和深度,并模拟人类访问行为,如设置User-Agent。 反爬虫应对: 由于爬虫的存在,一些站采取了反爬虫措施,如验证码、IP封锁等。爬虫工程师需要设计相应的策略来应对这些挑战。 爬虫在各个领域都有广泛的应用,包括搜索引擎索引、数据挖掘、价格监测、新闻聚合等。然而,使用爬虫需要遵守法律和伦理规范,尊重站的使用政策,并确保对被访问站的服务器负责。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值