1. 简介
去年用C#给自己博客写的每日新闻爬虫突然就不能用了,最近闲下来看了一下,原来是百度热搜榜的前端页面改版了,那难怪。这次索性人生苦短,我选Python吧。
2. 百度热搜榜源码观察
百度热搜榜的网址如下:
百度热搜榜
去了点开源码一看,我乐了。
百度很贴心的在最前面用注释写好了热搜榜内容的数据字典,也不知道是后端程序员生成出来忘记删了,还是真就方便大家爬呢。
那么接下来就好办了。
3. 获取网页html源码
使用python的urllib.request包,我就直接上代码了,大家看吧
#获取网页源码
def askURL():
print('#>>>获取网页HTML源码中...>>>')
# 模拟浏览器头部信息,向服务器发送消息
head={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36"}
# 用户代理,表示告诉豆瓣服务器,我们是什么类型的机器、浏览器(本质上是告诉浏览器,我们可以接收什么水平的文件内容)
request=urllib.request.Request(newsUrl,headers=head)
html=""
try:
response = urllib.request.urlopen(request)
html = response.read().decode("utf-8")
print("#SUCCESS>HTML源码爬取完毕!\n")
except urllib.error.URLError as e:
print("#ERROR>HTML源码爬取失败!\n")
if hasattr(e, "code"):
print("#" + str(e.code))
if hasattr(e, "reason"):
print("#" + str(e.reason))
return html
4. 整理源码中的数据
打算将html中的字符串直接转换为dict,然后再将原本的dict简化成我们需要的dict(只留新闻标题,新闻详情,新闻图片与新闻链接)
代码如下:
#解析数据
def getData(html):
print('#>>>解析数据中...>>>')
newsDictListStr =