您好,登录后才能下订单哦!
这篇文章主要讲解了“怎么用BeautifulSoup爬取网页内容”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“怎么用BeautifulSoup爬取网页内容”吧!
最近要做一个食品安全方面的项目,需要爬取新闻。于是想到之前用BeautifulSoup爬虫还是非常方便的,今天正好试了一下,可行。
爬取的链接如下:http://news.sohu.com/1/0903/61/subject212846158.shtml
结构如下:
从第二页开始的链接格式是:http://news.sohu.com/1/0903/61/subject212846158_1091.shtml
逐页递减(即1091、1090如此)。
需要的内容: 标题、时间、来源、作者、全文。
准备: urllib2, BeautifulSoup, lxml
先引入这几个库
import urllib2
import lxml
from bs4 import BeautifulSoup
先用开发者工具得到headers(当然我们这里不用headers也可以)
headers = {
"User-Agent": "ozilla/5.0 (Macintosh; Intel Mac OS X 10_12_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36"}
def sina_news(url,i): request = urllib2.Request(url,headers=headers) #发送请求,带headers response = urllib2.urlopen(request) #得到response html_doc = response.read() #读取得到HTML文件 soup = BeautifulSoup(html_doc,'lxml') #对HTML使用lxml解析器进行解析 titles = soup.select('td.newsblue1 > a:nth-of-type('+str(i)+')') #利用selector获得titles time = soup.select('td.newsblue1 > span:nth-of-type('+str(i)+')') #同上 print titles[0].get_text() #由于select返回的是表,表的第一个元素是我们要的,所以titles[0],.get_text()是为了去掉一些HTML代码,只得到内容值 print time[0].get_text() print titles[0]['href']
利用selector进行解析的时候是用到了开发者工具的定位功能,定位元素后,右键copy-selector即可,当然要注意nth-child(x)需要改成nth-of-type(x),在这里我们用了
nth-of-type('+str(i)+')')
这样的表达方式,是因为在该页面的结构中,新闻是以子项目排列的。如第一条就是nth-of-type(1),第二条就是nth-of-type(2),如此列推。测试一下结果:
for i in range(1,201):
sina_news('http://news.sohu.com/1/0903/61/subject212846158.shtml',i)
结果如下:
现在仅仅是解决了标题、时间、链接,我们还有来源,作者。但是我们已经获得了每一条新闻的链接,那么这就很好办了。
我们先看一下每一条新闻的结构:
同理、很容易就能提取出来源、责任编辑。代码如下:
def get_source(url):
request = urllib2.Request(url,headers=headers)
response = urllib2.urlopen(request)
html_doc = response.read()
soup = BeautifulSoup(html_doc,'lxml')
sources = soup.select('#media_span')
editor = soup.select('#editor_baidu')
return sources,editor
在原来的函数中增加如下代码:
sources,editor = get_source(titles[0]['href'])if(sources):
print sources[0].get_text()
if(editor):
print editor[0].get_text()
由于来源和责任编辑不一定每一条新闻都有,因此这里加了一个判断条件。现在看看效果。
效果还可以,再提取所有页面的内容
def get_singalpage_all(url):
for i in range(1,201):
sina_news(url,i)
def get_all_page():
url = 'http://news.sohu.com/1/0903/61/subject212846158'
for i in range (1091,990,-1):
wholeURL = url + '_' + str(i) + '.shtml'
get_singalpage_all(wholeURL)
调用一下:
get_singalpage_all('http://news.sohu.com/1/0903/61/subject212846158.shtml')
get_all_page()
成功爬取了所有国内要闻。
上面已经是全部源代码了,当然如果你觉得这样看很麻烦的话,可以在这里下载:
https://alltoshare.com/product/2747.html
感谢各位的阅读,以上就是“怎么用BeautifulSoup爬取网页内容”的内容了,经过本文的学习后,相信大家对怎么用BeautifulSoup爬取网页内容这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是亿速云,小编将为大家推送更多相关知识点的文章,欢迎关注!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。