python爬虫实战-爬取新闻联播视频和新闻文稿

一、爬取新闻联播视频

1. 将视频拖到最后
在这里插入图片描述
2. 分析视频缓存链接
在这里插入图片描述
如图所示url:https://hls.cntv.baishancdnx.cn/asp/hls/1200/0303000a/3/default/46c6c76d679340d5bb1df3a87573c952/270.ts
3. 将url对应的二进制内容抓取下来

代码如下:

import requests
import os

if __name__=="__main__":
    for i in range(270):
        url = "https://hls.cntv.baishancdnx.cn/asp/hls/1200/0303000a/3/default/46c6c76d679340d5bb1df3a87573c952/"+str(i+1)+".mp4"

        root = "videos/0926/"
        path = root +str(i+1) +".mp4"              #抓取文件起的名字
        try:
            if not os.path.exists(root):
                os.mkdir(root)                  #如果该目录不存在就创建它
            if not os.path.exists(path):
                r = requests.get(url)           #获取到目标视频的所有信息
                with open(path, 'wb') as f:     #以二进制写的方式将r的二进制内容写入path
                    f.write(r.content)
                    f.close()
                    print("文件"+path+" 保存成功!")
            else:
                print("文件已存在")
        except:
            print("爬取失败")

爬取新闻文稿

代码如下:

import requests
from urllib.request import urlopen#用于获取网页
from bs4 import BeautifulSoup

def getUrls():
    url = "http://www.sdpp.com.cn/list/list_98.html"
    html=urlopen(url)
    bs = BeautifulSoup(html,"html.parser")
    urls = bs.find('aside',class_="news_list").find_all("a")
    url_list=[]
    for url in urls:
        item=url.get('href')
        url_list.append(item)
    print(url_list)
    return url_list

if __name__=="__main__":
    headers = {
        'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"
    }
    url_list=getUrls()
    for url in url_list:
        filename="texts/newsText"+url[-9:-5]+".txt"
        r = requests.get(url, headers=headers)
        r.encoding = 'urf8'
        bs = BeautifulSoup(r.text, "html.parser")
        allpagecount = int(bs.find("span", {"id": "allpagecount"}).get_text())
        title = bs.find("div", {"class": "keys3"}).get_text()
        temp = title + "\n"

        for i in range(1, allpagecount):
            link = bs.find("a", {"id": "nextpageurl"})["href"]
            r = requests.get(link, headers=headers)
            r.encoding = 'urf8'
            bs = BeautifulSoup(r.text, "html.parser")
            maintext = bs.find("div", {"class": "textCon"}).get_text()
            temp = temp + maintext + "\n"
            print(maintext)

        with open(filename, "w", encoding="utf8") as f:
            f.write(temp)

  • 1
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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