python基础教程网易_如何利用python爬取网易新闻

https://www.xin3721.com/eschool/pythonxin3721/

学习了python基本语法后，对爬虫产生了很大的兴趣，废话不多说，今天来爬取网易新闻，实战出真知。

打开网易新闻 可以发现新闻分为这样的几个板块：

这次选择国内板块来爬取文章。

1. 准备

环境：python3

编译器：PyCharm

安装 selenium 针对三大浏览器驱动 driver

下载地址

chromedriver：https://code.google.com/p/chromedriver/downloads/list

Firefox 的驱动 geckodriver：https://github.com/mozilla/geckodriver/releases/

IE 的驱动 IEdrive：http://www.nuget.org/packages/Selenium.WebDriver.IEDriver/

了解网页

网页绚丽多彩，美轮美奂，如同一幅水彩画。爬取数据首先需要知道所需要抓取的数据是怎样的呈现的，就像学作一幅画，开始前你要知道这幅画是用什么画出来的，铅笔还是水彩笔…可能种类是多样的，但是放到网页信息来说这儿只有两种呈现方式：

HTML

JSON

HTML是用来描述网页的一种语言

JSON是一种轻量级的数据交换格式

爬取网页信息其实就是向网页提出请求，服务器就会将数据反馈给你

2. 获得动态加载源码

导入需要的用的模块和库：

1 from bs4 importBeautifulSoup2 importtime3 importdef_text_save as dts4 importdef_get_data as dgd5 from selenium importwebdriver6 from selenium.webdriver.common.keys importKeys7 from selenium.webdriver.common.action_chains import ActionChains #引入ActionChains鼠标操作类

获取网页信息需要发送请求，requests 能帮我们很好的完成这件事，但是仔细观察发现网易新闻是动态加载，requests 返回的是即时信息，网页部分稍后加载出来的数据没有返回，这种情况 selenium 能够帮助我们得到更多的数据，我们将 selenium 理解为一个自动化测试工具就好，Selenium 测试直接运行在浏览器中，就像真正的用户在操作一样。

我使用的浏览器为Firefox

1 browser = webdriver.Firefox()#根据浏览器切换

2 browser.maximize_window()#最大化窗口

3 browser.get('http://news.163.com/domestic/')

这样我们就能驱动浏览器自动登陆网易新闻页面

我们的目标自然是一次将国内板块爬取下来，观察网页，在网页不断向下刷时，新的新闻才会加载出来，到最下面甚至还有需要点击按钮才能刷新：

这时使用 selenium 就能展现其优势：自动化，模拟鼠标键盘操作：

1 diver.execute_script("window.scrollBy(0,5000)")2 #使网页向下拉，括号内为每次下拉数值

在网页中右键点击加载更多按钮，点击查看元素，可以看到

通过这个 class 就可以定位到按钮，碰到按钮时，click 事件就能帮助我们自动点击按钮完成网页刷新

1 #爬取板块动态加载部分源代码

2 ​3 info1=[]4 info_links=[] #存储文章内容链接

5 try:6 whileTrue :7 if browser.page_source.find("load_more_btn") != -1:8 browser.find_element_by_class_name("load_more_btn").click()9 browser.execute_script("window.scrollBy(0,5000)")10 time.sleep(1)11 except:12 url = browser.page_source#返回加载完全的网页源码

13 browser.close()#关闭浏览器

获取有用信息

简单来说，BeautifulSoup 是 python 的一个库，最主要的功能是从网页抓取数据，能减轻菜鸟的负担。通过 BeautifulSoup 解析网页源码，在加上附带的函数，我们能轻松取出想要的信息，例如：获取文章标题，标签以及文本内容超链接

同样在文章标题区域右键点击查看元素：

观察网页结构发现每一个div标签class=“news_title" 下都是文章的标题和超链接。soup.find_all()函数能帮我们找到我们想要的全部信息，这一级结构下的内容就能一次摘取出来。最后通过字典，把标签信息，挨个个取出来。

1 info_total=[]2 defget_data(url):3 soup=BeautifulSoup(url,"html.parser")4 titles=soup.find_all('div','news_title')5 labels=soup.find('div','ns_area second2016_main clearfix').find_all('div','keywords')6 for title, label inzip(titles,labels ):7 data ={8 '文章标题': title.get_text().split(),9 '文章标签':label.get_text().split() ,10 'link':title.find("a").get('href')11 }12 info_total.append(data)13 return info_total

4. 获取新闻内容

自此，新闻链接已经被我们取出来存到列表里了，现在需要做的就是利用链接得到新闻主题内容。新闻主题内容页面为静态加载方式，requests 能轻松处理：

1 defget_content(url):2 info_text =[]3 info=[]4 adata=requests.get(url)5 soup=BeautifulSoup(adata.text,'html.parser')6 try:7 articles = soup.find("div", 'post_header').find('div', 'post_content_main').find('div', 'post_text').find_all('p')8 except:9 articles = soup.find("div", 'post_content post_area clearfix').find('div', 'post_body').find('div', 'post_text').find_all(10 'p')11 for a inarticles:12 a=a.get_text()13 a= ' '.join(a.split())14 info_text.append(a)15 return (info_text)

使用 try except的原因在于，网易新闻文章在某个时间段前后，文本信息所处位置标签不一样，对不同的情况应作出不同的处理。

最后遍历整个列表取出全部文本内容：

1 for i ininfo1 :2 info_links.append(i.get('link'))3 x=0 #控制访问文章目录

4 info_content={}#存储文章内容

5 for i ininfo_links:6 try:7 info_content['文章内容']=dgd.get_content(i)8 except:9 continue

10 s=str(info1[x]["文章标题"]).replace('[','').replace(']','').replace("'",'').replace(',','').replace('《','').replace('》','').replace('/','').replace(',',' ')11 s= ''.join(s.split())12 file = '/home/lsgo18/PycharmProjects/网易新闻'+'/'+s13 print(s)14 dts.text_save(file,info_content['文章内容'],info1[x]['文章标签'])15 x = x + 1

存储数据到本地txt文件

python 提供了处理文件的函数open（），第一个参数为文件路径，第二为文件处理模式，"w" 模式为只写（不存在文件则创建，存在则清空内容）

1 def text_save(filename, data,lable): #filename为写入CSV文件的路径

2 file = open(filename,'w')3 file.write(str(lable).replace('[','').replace(']','')+'\n')4 for i inrange(len(data)):5 s =str(data[i]).replace('[','').replace(']','')#去除[],这两行按数据不同，可以选择

6 s = s.replace("'",'').replace(',','') +'\n' #去除单引号，逗号，每行末尾追加换行符

7 file.write(s)8 file.close()9 print("保存文件成功")

一个简单的爬虫至此就编写成功：