脚本之家
你与百万开发者在一起
作者:江一
出品 | 脚本之家(ID:jb51net)
网络爬虫是帮助我们抓取互联网上有用信息的利器。如果你有一点python基础,实现一个简单的爬虫程序并不难。今天,我们以一个实际的例子——爬取网易新闻,重点介绍使用 BeautifulSoup 对HTML进行解析处理。
1.寻找数据特征
网易新闻的网址 URL 为:https://www.163.com/我们打开网页看看:
我们需要爬取这个页面每一条新闻的标题,鼠标右击一条新闻的标题,选择“检查元素”, 出现下图的窗口:
图片中蓝框的位置就是那一条新闻标题在 HTML 中的结构、位置和表现形式: ,它上一级元素为:,再上一级元素为:
再上一级元素为:
我们再看另一条新闻的标题,发现它的结构和之前我们分析的新闻标题的结构是一样的。通过这些信息,我们就可以确定新闻标题在 HTML 文档中的位置。接下来,我们开始使用 Python 对网易新闻标题进行爬取。
2.编写爬取代码
首先呈上完整的代码:
运行程序,获取到的部分结果为如下所示: