网页新闻抓取(此文属于入门级级别的爬虫，老司机们就不用看了)

　　网页新闻抓取(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，老司机不用看。html

　　这次我们主要抓取网易新闻，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，我们可以随意选择一个类别。我这里选择的类别是国内新闻。然后右键查看源码，发现源码中页面中间没有新闻列表。这意味着该页面是异步的。即通过api接口获取的数据。面试

　　然后确认可以用F12打开谷歌浏览器的控制台后，点击网络，我们一直往下拉，在右侧发现：“... 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

　　上面的链接也是我们这次爬取要请求的地址。

　　接下来只需要用到python的两个库：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库来解析它。BeautifulSoup 用于解析 HTML 文档，可以很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

　　然后我们定义一个获取指定页码数据的方法：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：

　　

　　分析数据后，我们可以看到下图中圈出了需要抓取的标题、发布时间、新闻内容页面。

　　

　　既然已经获取到了内容页的url，接下来就是爬取新闻正文了。

　　在抓取文本之前，首先要分析文本的html页面，找到文本、作者、出处在html文档中的位置。

　　我们看到文档中文章源的位置是：一个id=“ne_article_source”的标签。

　　作者的立场是：class="ep-editor"的span标签。

　　主体位置是：带有 class = "post_text" 的 div 标签。

　　我们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，我们要捕获的所有数据都是 采集。

　　然后，当然，下一步是保存它们。为了方便，我直接以文本的形式保存。这是最终结果：

　　

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

　　需要注意的是，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，下次可以升级为异步IO，异步采集，感兴趣的可以关注下文章。