仅供学使用
爬虫
在网页下载图片(api接口)
代码:
"""
long long away
Date:2022/5/9 17:27
"""
import requests, json
for i in range(1,10):
URL = 'https://api.ixiaowai.cn/api/api.php?return=json'
resp = requests.get(url=URL)
resp.encoding = 'utf-8-sig'
s = json.loads(resp.text)
# 获取图片地址
URL1 = f'{s["imgurl"]}'
# 请求图片地址
resp1 = requests.get(url=URL1)
# 将图片写入文件中
with open(f'./img/s{i}.jpg','wb') as f1:
f1.write(resp1.content)
print(f'下载第{i}张图片完成')
爬取新闻网的新闻信息(正则表达式)
"""
"""
long long away
Date:2022/5/9 18:56
"""
import requests, csv, re
writer = csv.writer(open('./newslists.csv', 'w', encoding='utf-8', newline=''))
# 创建头标题
writer.writerow(['类型', '标题', '列表'])
# 循环遍历每一页的信息
for pages in range(1, 11):
URL = f'https://www.chinanews.com.cn/scroll-news/news{pages}.html'
headrs = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.84 Safari/537.36'}
resp = requests.get(url=URL, headers=headrs)
resp.encoding = 'utf-8'
# 提取有用信息
result = re.findall(r'\[<a href=.*>.*</a>]</div> <div class="dd_bt"><a href=".*">.*', resp.text)
for i in range(1, 120):
# 空列表用于存放有用信息
list1 = []
# 获取小标题
result1 = re.search(r'[\u4e00-\u9fa5]{2}', result[i])
s1 = result1.group()
# 将小标题加入列表中
list1.append(s1)
# 获取新闻主标题
result2 = re.findall(r'">.{3,}</a>', result[i])
result3 = re.findall(r'[^\da-zA-Z<>][^\da-zA-Z<>]{5,}', result2[0])
# 将主标题加入列表
if result3 != []:
s2 = result3
list1.append(s2[0])
# 获取新闻地址
result4 = re.findall(r'<a href=".*\.shtml"', result[i])
# 将新闻地址存入列表
if result4 != []:
result5 = re.findall(r'".*"', result4[0])
pos = eval(result5[0])
position = 'https://www.chinanews.com.cn' + pos
list1.append(position)
# 将列表内容存入csv文件
writer.writerow(list1)
注:爬取新闻网的代码中在获取信息的for循环中有两个if,用于解决极少部分信息不符合正则表达式,因此再获取前10页新闻的结果中会少了几条。