python指定爬取新浪新闻

前言

又是一个宁静的晚上，看到同学们聊的新闻如此的开心，有说有笑的，我仿佛像个空气一样找不到话题，只能默默的看着他们聊天，然后一起笑，一起害怕，因为我是一个不怎么看新闻的人，所以他们说什么我都不知道啊！！！，所以我决定要爬取新闻然后可以全部看完，这样就能和我的朋友有说有笑，不用愁眉苦脸的看着他们啦!(好多四字成语,语文老师欣慰的点了点头…)

xpath工具和requests

本代码所用的工具就着2个，比较简单，不是很复杂,就是清洗数据有点麻烦,想了解xpath和下载xpath的可以点开此链接下载:https://blog.csdn.net/weixin_45859193/article/details/107064009
(此链接还有一个简单的实战操作,可以练手掌握)

步骤

其实这个想法之前就有想过，也尝试了，不过那时，我比较菜，也就知道抓包，js数据和用xpath工具解析数据,所以导致那时我用requests是什么获取不到我想要的数据的,最后在不断努力的抓包的过程中和查找源代码的过程中，我看到了这个数据

仔细观察可以看出这个有点像python里的字典啊，所以好办了，可以用requests解析数据看看是怎么样
(最后果然发现是可以转换为字典的，只要清洗一下数据就ok啦!)

爬虫的四大步骤

1.获取url
2.发送请求
3.解析数据，并清洗数据
4.保存数据
不管是什么网页都离不开的四大步骤，所以我们围绕着这四步走！

所以我们可以一步一步的上代码来看看是不是这样的!

思路

第一步获取url地址

#这是第一层的url
url='http://ent.sina.com.cn/hotnews/ent/Daily/'

第二步发送请求

#模拟浏览器
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.69 Safari/537.36'}
#发送请求
response=requests.get(url,headers=headers).content.decode()

第三步解析数据,并清洗数据

#解析成xpath能识别数据
html=etree.HTML(response)
#获取php链接，清洗数据
url_list=html.xpath('//script/@src')
url_link=url_list[1]
#获取到了链接
url_link='http:'+url_link
#获取到了新链接是不是还要继续按照上面的四大步骤去走，这里就不详解，都是一样的
response=requests.get(url_link,headers=headers).content.decode()
# #清洗数据
response=response.split('[')[-1]
response=response.split(']',-1)[0]
#转型
response=eval(response)

第四步保存清洗后的数据

#文件名
file_name='娱乐新闻.txt'
for req in response:
    #防止报错
    try:
        # 标题
        data = req['title']
        #这里不要组图的标题，没有内容，是图片，我们要的是新闻
        if re.findall('(.*?)：', req['title']) == ['组图']or re.findall('(.*?):', req['title']) == ['组图']:
            continue
        #拼合，清洗数据,原谅我不会正则
        link = req['url'].replace('\\', '//')
        link = link.split('', 1)
        #这是我们想要的链接
        link = link[0] + link[1]
        res = requests.get(link, headers=headers).content.decode()
        html = etree.HTML(res)
        #判断链接后缀有没有/有的话要用另一个xpath工具来获取
        if link.split('//',-1)[-1]== '/':
            #清洗文本数据
            text='\n'.join(html.xpath('//div[@id="cont_0"]//p/text()')).strip('\n').replace('\u3000',' ')
        else:
            text='\n'.join(html.xpath('//div[@class="article"]//p//text()')).strip('\n').replace('\u3000',' ')

        #保存数据
        with open(file_name,'a+',encoding='utf-8') as f:
            # 标题写入
            f.write('------------'+''.join(data)+'------------\n')
            #正文写入
            f.write(text+'\n\n')#换行
            print(''.join(data)+'--提取成功')

    except:
        pass

是不是按照这四步走，发现其实并不是很难！

代码

import requests
from lxml import etree
from urllib.request import urlretrieve
import re
import json
#url='http:'+'//top.ent.sina.com.cn/ws/GetTopDataList.php?top_type=day&top_cat=ent_suda&top_time=20200802&top_show_num=20&top_order=DESC&js_var=all_1_data'
#第一层url，用来获取php的链接
url='http://ent.sina.com.cn/hotnews/ent/Daily/'
headers={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.69 Safari/537.36'}
name_data=input('请问您想要的数据是什么数据(默认娱乐新闻)\n0.默认 1.其他')
if name_data == '1':
   url_1=input('请输入你想获取其他新闻的url')
   url=url_1
response=requests.get(url,headers=headers).content.decode()
html=etree.HTML(response)
#获取php链接，清洗数据
url_list=html.xpath('//script/@src')
url_link=url_list[1]
#获取到了链接
if name_data !='1':
   url_link='http:'+url_link

response=requests.get(url_link,headers=headers).content.decode()



# #清洗数据,本人不太会正则= =
response=response.split('[')[-1]
response=response.split(']',-1)[0]
#转型
response=eval(response)
#定义文件名
file_name='娱乐新闻.txt'
for req in response:
    try:
        # 标题
        data = req['title']
        #这里不要组图的标题，没有内容，是图片，我们要的是新闻
        if re.findall('(.*?)：', req['title']) == ['组图']or re.findall('(.*?):', req['title']) == ['组图']:
            continue
        #拼合，清洗数据,原谅我不会正则
        link = req['url'].replace('\\', '//')
        link = link.split('', 1)
        #这是我们想要的链接
        link = link[0] + link[1]
        res = requests.get(link, headers=headers).content.decode()
        html = etree.HTML(res)
        #判断链接后缀有没有/有的话要用另一个xpath工具来获取
        if link.split('//',-1)[-1]== '/':
            #清洗文本数据
            text='\n'.join(html.xpath('//div[@id="cont_0"]//p/text()')).strip('\n').replace('\u3000',' ')
        else:
            text='\n'.join(html.xpath('//div[@class="article"]//p//text()')).strip('\n').replace('\u3000',' ')

        #保存数据
        with open(file_name,'a+',encoding='utf-8') as f:
            # 标题写入
            f.write('------------'+''.join(data)+'------------\n')
            #正文写入
            f.write(text+'\n\n')#换行
            print(''.join(data)+'--提取成功')

    except:
        pass

效果

注：我爬取的是娱乐新闻，如果想爬其他的可以更改第一层的url地址（亲测有效的不过，只是在这些地方测试过,比如,其他的地方没试过）

其他地方没试过,如果有更好的建议，欢迎大佬指点改进

最终效果

其他效果

默认效果

文本效果

总结

不忘初心，方得始终！

温馨提示：大家尽量不要熬夜啊，身体要紧！！