js 爬虫抓取网页数据(此文属于入门级级别的爬虫，老司机们就不用看了)

　　js 爬虫抓取网页数据(此文属于入门级级别的爬虫，老司机们就不用看了)

　　本文属于入门级爬虫，老司机无需阅读。html

　　这次主要是抓取网易新闻，包括新闻标题、作者、来源、发布时间、新闻正文。Python

　　首先我们打开163的网站，我们随意选择一个分类，我这里选择的分类是国内新闻。然后右键查看源码，发现源码中页面中间没有新闻列表。这说明这个页面是异步的。即通过api接口获取的数据。面试

　　然后确认可以使用F12打开谷歌浏览器的控制台后，点击网络，我们一直往下滚动，发现右侧：“... special/00804KVA/cm_guonei_03.js?.. ..》这样的地址，点击Response，发现就是我们要找的api接口。json

　　

　　可以看出这些接口的地址有一定的规律：“cm_guonei_03.js”、“cm_guonei_04.js”，那么很明显：api

　　*).js

　　上面的链接是我们这次抓取请求的地址。

　　接下来只需要用到两个python库：browser

　　请求 json BeautifulSoup

　　requests 库用于发出网络请求。说白了就是模拟浏览器获取资源。

　　因为我们的采集是一个api接口，它的格式是json，所以我们需要使用json库来解析。BeautifulSoup用于解析html文档，可以方便的帮助我们获取指定div的内容。互联网

　　让我们开始编写我们的爬虫：app

　　第一步，导入以上三个包：异步

　　import json

import requests

from bs4 import BeautifulSoup

　　然后我们定义一个方法来获取指定页码中的数据：post

　　def get_page(page):

url_temp = 'http://temp.163.com/special/00804KVA/cm_guonei_0{}.js'

return_list = []

for i in range(page):

url = url_temp.format(i)

response = requests.get(url)

if response.status_code != 200:

continue

content = response.text # 获取响应正文

_content = formatContent(content) # 格式化json字符串

result = json.loads(_content)

return_list.append(result)

return return_list

　　这样就得到了每个页码对应的内容列表：

　　

　　对数据进行分析后，可以看到下图圈出的是需要抓取的标题、发布时间和新闻内容页面。

　　

　　既然已经获取到内容页面的url，那么就开始爬取新闻正文。

　　在抓取文本之前，先分析文本的html页面，找到文本、作者、来源在html文档中的位置。

　　我们看到文章的source在文档中的位置是：id = "ne_article_source"的标签。

　　作者位置为：span标签，class = "ep-editor"。

　　正文位置是：带有 class = "post_text" 的 div 标签。

　　我们来试试采集这三个内容的代码：

　　def get_content(url):

source = ''

author = ''

body = ''

resp = requests.get(url)

if resp.status_code == 200:

body = resp.text

bs4 = BeautifulSoup(body)

source = bs4.find('a', id='ne_article_source').get_text()

author = bs4.find('span', class_='ep-editor').get_text()

body = bs4.find('div', class_='post_text').get_text()

return source, author, body

　　到目前为止，我们要抓取的数据都是采集。

　　那么，当然，我会救他们。为了方便起见，我将它们直接以文本形式保存。这是最终结果：

　　

　　格式为json字符串，"title": ['date','url','source','author','body']。

　　需要说明的是，目前的实现方式是完全同步和线性的。问题是 采集 会很慢。主要延迟在网络IO上，下次可以升级为异步IO，异步采集，有兴趣的可以关注下文章。