python 简单爬虫 --- 人民日报

1.这个代码仅仅是用到了简单的爬虫知识,没有用自动化之类的库,
因为是简单爬取,所有没有考虑太多的操作

2.将人民日报对这次新冠肺炎疫情的报道的内容进行爬取,仅仅对文字进行爬取

3.没有考虑反爬的情况,所有运行的时候又可能会保错,但是多运行几次就可以了,当然,因为反爬和没有对所有文章都分析html里的文章所在的标签,所以保存的有的文件内容会少且乱

from urllib import request
from urllib import parse
import urllib
import re
import time

MAX_NUM = 30

package = 1

save_path = r"C:\Users\pc\Desktop\python学习\课堂作业\NLP作业\data"

punctuation = [',', '”', "。", "?", "!", ":", ";", "‘", "’", "”"]

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36 Edg/83.0.478.37'}

url = "https://news.sogou.com/news?mode=1&sort=0&fixrank=1&"
params = {'query': '新冠肺炎报道人民日报'}
qs = parse.urlencode(params)
url = url + qs + "&shid=hb1" + "&page=" + str(package)
print("访问: ", package, "\n", url)
package += 1
req = urllib.request.Request(url=url, headers=headers)

resp = request.urlopen(req)
info = resp.read()

info = info.decode('utf-8', "ignore")
# 状态码
print(resp.getcode())

urls = re.findall('<a href="http.*?html"', info, re.I)

num = 0
while num < MAX_NUM:
    for u in urls:
        u = u.replace("<a href=\"", "")[:-1]
        print(u)
        req = urllib.request.Request(url=u, headers=headers)
        resp = request.urlopen(req)
        if resp.getcode() == 200:

            info = resp.read()
            info = info.decode('utf-8', "ignore")
            if len(info) > 30000:
                word = re.findall('<p.*?</p>', info, re.S)
                for i in re.findall('<div.*?</div>', info, re.S):
                    word.append(i)
                if len(word) > 5:
                    num += 1
                    f = open(save_path + "\data_" + str(num) + '.txt', 'w', encoding="utf-8")
                    for w in word:
                        for i in w:
                            if '\u4e00' <= i <= '\u9fff':
                                f.write(str(i))
                            elif i in punctuation:
                                f.write(" ")
                    f.close()
                    print("over" + str(num))
                    time.sleep(1)

    url = "https://news.sogou.com/news?mode=1&sort=0&fixrank=1&"
    params = {'query': '新冠肺炎报道人民日报'}
    qs = parse.urlencode(params)
    url = url + qs + "&shid=hb1" + "&page=" + str(package)
    print("访问: ", package, "\n", url)
    package += 1
    req = urllib.request.Request(url=url, headers=headers)

    resp = request.urlopen(req)
    info = resp.read()

    info = info.decode('utf-8', "ignore")
    # 状态码
    print(resp.getcode())

    urls = re.findall('<a href="http.*?html"', info, re.I)

在这里插入图片描述

  • 0
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 3
    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,用于从互联网上收集信息。其主要功能是访问网页、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、监测系统等应用于网络数据抓取的场景。 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。 请求网页: 爬虫使用HTTP或其他协议向目标URL发起请求,获取网页的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: 为避免对网站造成过大负担或触发反爬虫机制,爬虫需要遵守网站的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,一些网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,尊重网站的使用政策,并确保对被访问网站的服务器负责。
评论 3
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