Python爬虫实战 | (5) 爬取人民网新闻指定页面

在本篇博客中，我们将使用requests+正则表达式爬取指定页面的新闻内容，使用正则表达式解析网页，获取新闻的题目、日期、来源、正文内容。

首先，搭建起主体程序，爬虫四部曲：

import json
import requests
from requests.exceptions import RequestException
import re
import time

def get_page(url):
    pass

def get_parser(html):
    pass

def write_tofile(title,article):
    pass

if __name__=='__main__':

    #指定新闻url
    url = 'http://it.people.com.cn/n1/2019/0325/c1009-30993121.html'
    #发送请求，获取响应
    html = get_page(url)
    #解析响应
    title,article = get_parser(html)
    #数据存储
    write_tofile(title,article)
    

发送请求，获取响应。编写get_page()函数：

def get_page(url):
    try:
        # 添加User-Agent，放在headers中，伪装成浏览器
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            response.encoding = response.apparent_encoding
            return response.text
        return None
    except RequestException:
        return None

解析响应，提取题目、日期、来源，正文：

题目、日期、来源：

正文（分布在各个p标签中）：

def get_parser(html):
    #提取题目 日期 来源
    html = str(html)
    pattern = re.compile('<h1>(.*?)</h1>.*?<div class="fl">(.*?)&nbsp;&nbsp;来源：<a.*?>(.*?)</a></div>',re.S)
    title = pattern.findall(html)[0]
    print(title)

    #正文
    #可以提取两次 第一次缩小范围，第二词再从小范围HTML代码中提取
    pattern = re.compile('<div class="fl text_con_left">(.*?)<div class="edit clearfix">',re.S)
    article = pattern.findall(html)[0]

    pattern = re.compile('<p>(.*?)</p>',re.S)
    article = pattern.findall(article)

    return title,article

数据存储：

def write_tofile(title,article):
    with open('news.txt','w',encoding='utf-8') as f:
        f.write(title[0].replace(' ','')+'\t'+title[1]+'\t'+title[2]+'\n')
        for i in article:
            f.write(i.strip())

完整代码：

import json
import requests
from requests.exceptions import RequestException
import re
import time


def get_page(url):
    try:
        # 添加User-Agent，放在headers中，伪装成浏览器
        headers = {
            'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
        }
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            response.encoding = response.apparent_encoding
            return response.text
        return None
    except RequestException:
        return None

def get_parser(html):
    #提取题目 日期 来源
    html = str(html)
    pattern = re.compile('<h1>(.*?)</h1>.*?<div class="fl">(.*?)&nbsp;&nbsp;来源：<a.*?>(.*?)</a></div>',re.S)
    title = pattern.findall(html)[0]
    print(title)

    #正文
    #可以提取两次 第一次缩小范围，第二词再从小范围HTML代码中提取
    pattern = re.compile('<div class="fl text_con_left">(.*?)<div class="edit clearfix">',re.S)
    article = pattern.findall(html)[0]

    pattern = re.compile('<p>(.*?)</p>',re.S)
    article = pattern.findall(article)

    return title,article

def write_tofile(title,article):
    with open('news.txt','w',encoding='utf-8') as f:
        f.write(title[0].replace('&nbsp;','')+'\t'+title[1]+'\t'+title[2]+'\n')
        for i in article:
            f.write(i.strip())

if __name__=='__main__':

    #指定新闻url
    url = 'http://tc.people.com.cn/n1/2019/0227/c183008-30906013.html'
    #发送请求，获取响应
    html = get_page(url)
    #解析响应
    title,article = get_parser(html)
    #数据存储
    write_tofile(title,article)