纵有疾风起
人生不言弃

python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻

2017年9月16日零基础入门Python,第二天就给自己找了一个任务,做网站文章的爬虫小项目,因为实战是学代码的最快方式。所以从今天起开始写Python实战入门系列教程,也建议大家学Python时一定要多写多练。

目标

  • 1,学习Python爬虫
  • 2,爬取新闻网站新闻列表
  • 3,爬取图片
  • 4,把爬取到的数据存在本地文件夹或者数据库
  • 5,学会用pycharm的pip安装Python需要用到的扩展包

一,首先看看Python是如何简单的爬取网页的

1,准备工作

项目用的BeautifulSoup4和chardet模块属于三方扩展包,如果没有请自行pip安装,我是用pycharm来做的安装,下面简单讲下用pycharm安装chardet和BeautifulSoup4

  • 在pycharm的设置里按照下图的步骤操作

    python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻插图
    ![Uploading 2_085587.png . . .]
  • 如下图搜索你要的扩展类库,如我们这里需要安装chardet直接搜索就行,然后点击install package, BeautifulSoup4做一样的操作就行
python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻插图(1)
2.png
  • 安装成功后就会出现在在安装列表中,到此就说明我们安装网络爬虫扩展库成功
python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻插图(2)
3.png

二,由浅入深,我们先抓取网页

我们这里以抓取简书首页为例:http://www.jianshu.com/

# 简单的网络爬虫from urllib import requestimport chardetresponse = request.urlopen("http://www.jianshu.com/")html = response.read()charset = chardet.detect(html)# {'language': '', 'encoding': 'utf-8', 'confidence': 0.99}html = html.decode(str(charset["encoding"]))  # 解码print(html)

由于抓取的html文档比较长,这里简单贴出来一部分给大家看下

<!DOCTYPE html><!--[if IE 6]><html class="ie lt-ie8"><![endif]--><!--[if IE 7]><html class="ie lt-ie8"><![endif]--><!--[if IE 8]><html class="ie ie8"><![endif]--><!--[if IE 9]><html class="ie ie9"><![endif]--><!--[if !IE]><!--> <html> <!--<![endif]--><head>  <meta charset="utf-8">  <meta http-equiv="X-UA-Compatible" content="IE=Edge">  <meta name="viewport" content="width=device-width, initial-scale=1.0,user-scalable=no">  <!-- Start of Baidu Transcode -->  <meta http-equiv="Cache-Control" content="no-siteapp" />  <meta http-equiv="Cache-Control" content="no-transform" />  <meta name="applicable-device" content="pc,mobile">  <meta name="MobileOptimized" content="width"/>  <meta name="HandheldFriendly" content="true"/>  <meta name="mobile-agent" content="format=html5;url=http://localhost/">  <!-- End of Baidu Transcode -->    <meta name="description"  content="简书是一个优质的创作社区,在这里,你可以任性地创作,一篇短文、一张照片、一首诗、一幅画……我们相信,每个人都是生活中的艺术家,有着无穷的创造力。">    <meta name="keywords"  content="简书,简书官网,图文编辑软件,简书下载,图文创作,创作软件,原创社区,小说,散文,写作,阅读">..........后面省略一大堆

这就是Python3的爬虫简单入门,是不是很简单,建议大家多敲几遍

三,Python3爬取网页里的图片并把图片保存到本地文件夹

目标

  • 爬取百度贴吧里的图片
  • 把图片保存到本地,都是妹子图片奥
    不多说,直接上代码,代码里的注释很详细。大家仔细阅读注释就可以理解了
import reimport urllib.request#爬取网页htmldef getHtml(url):    page = urllib.request.urlopen(url)    html = page.read()    return htmlhtml = getHtml("http://tieba.baidu.com/p/3205263090")html = html.decode('UTF-8')#获取图片链接的方法def getImg(html):    # 利用正则表达式匹配网页里的图片地址    reg = r'src="([.*\S]*\.jpg)" pic_ext="jpeg"'    imgre=re.compile(reg)    imglist=re.findall(imgre,html)    return imglistimgList=getImg(html)imgCount=0#for把获取到的图片都下载到本地pic文件夹里,保存之前先在本地建一个pic文件夹for imgPath in imgList:    f=open("../pic/"+str(imgCount)+".jpg",'wb')    f.write((urllib.request.urlopen(imgPath)).read())    f.close()    imgCount+=1print("全部抓取完成")

迫不及待的看下都爬取到了些什么美图

python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻插图(3)
4.png

就这么轻易的爬取到了24个妹子的图片。是不是很简单。

四,Python3爬取新闻网站新闻列表

  • 这里我们只爬取新闻标题,新闻url,新闻图片链接。
  • 爬取到的数据目前只做展示,等我学完Python操作数据库以后会把爬取到的数据保存到数据库。

到这里稍微复杂点,就分布给大家讲解

  • 1 这里我们需要先爬取到html网页上面第一步有讲怎么抓取网页
  • 2分析我们要抓取的html标签
python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻插图(4)
5.png

分析上图我们要抓取的信息再div中的a标签和img标签里,所以我们要想的就是怎么获取到这些信息

这里就要用到我们导入的BeautifulSoup4库了,这里的关键代码

# 使用剖析器为html.parsersoup = BeautifulSoup(html, 'html.parser')# 获取到每一个class=hot-article-img的a节点allList = soup.select('.hot-article-img')

上面代码获取到的allList就是我们要获取的新闻列表,抓取到的如下

[<div class="hot-article-img"><a href="/article/211390.html" target="_blank">![](https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214982.html" target="_blank" title="TFBOYS成员各自飞,商业价值天花板已现?"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/213703.html" target="_blank" title="买手店江湖"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214679.html" target="_blank" title="iPhone X正式告诉我们,手机和相机开始分道扬镳"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214962.html" target="_blank" title="信用已被透支殆尽,乐视汽车或成贾跃亭弃子"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214867.html" target="_blank" title="别小看“搞笑诺贝尔奖”,要向好奇心致敬"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214954.html" target="_blank" title="10 年前改变世界的,可不止有 iPhone | 发车"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214908.html" target="_blank" title="感谢微博替我做主"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/215001.html" target="_blank" title="苹果确认取消打赏抽成,但还有多少内容让你觉得值得掏腰包?"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214969.html" target="_blank" title="中国音乐的“全面付费”时代即将到来?"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>, <div class="hot-article-img"><a href="/article/214964.html" target="_blank" title="百丽退市启示录:“一代鞋王”如何与新生代消费者渐行渐远"><!--视频和图片保留一个-->![](https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)</a></div>]

这里数据是抓取到了,但是太乱了,并且还有很多不是我们想要的,下面就通过遍历来提炼出我们的有效信息

  • 3 提取有效信息
#遍历列表,获取有效信息for news in allList:    aaa = news.select('a')    # 只选择长度大于0的结果    if len(aaa) > 0:        # 文章链接        try:#如果抛出异常就代表为空            href = url + aaa[0]['href']        except Exception:            href=''        # 文章图片url        try:            imgUrl = aaa[0].select('img')[0]['src']        except Exception:            imgUrl=""        # 新闻标题        try:            title = aaa[0]['title']        except Exception:            title = "标题为空"        print("标题",title,"\nurl:",href,"\n图片地址:",imgUrl)        print("==============================================================================================")

这里添加异常处理,主要是有的新闻可能没有标题,没有url或者图片,如果不做异常处理,可能导致我们爬取的中断。

过滤后的有效信息

标题 标题为空 url: https://www.huxiu.com/article/211390.html 图片地址: https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 TFBOYS成员各自飞,商业价值天花板已现? url: https://www.huxiu.com/article/214982.html 图片地址: https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 买手店江湖 url: https://www.huxiu.com/article/213703.html 图片地址: https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 iPhone X正式告诉我们,手机和相机开始分道扬镳 url: https://www.huxiu.com/article/214679.html 图片地址: https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 信用已被透支殆尽,乐视汽车或成贾跃亭弃子 url: https://www.huxiu.com/article/214962.html 图片地址: https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 别小看“搞笑诺贝尔奖”,要向好奇心致敬 url: https://www.huxiu.com/article/214867.html 图片地址: https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 10 年前改变世界的,可不止有 iPhone | 发车 url: https://www.huxiu.com/article/214954.html 图片地址: https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 感谢微博替我做主 url: https://www.huxiu.com/article/214908.html 图片地址: https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 苹果确认取消打赏抽成,但还有多少内容让你觉得值得掏腰包? url: https://www.huxiu.com/article/215001.html 图片地址: https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 中国音乐的“全面付费”时代即将到来? url: https://www.huxiu.com/article/214969.html 图片地址: https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================标题 百丽退市启示录:“一代鞋王”如何与新生代消费者渐行渐远 url: https://www.huxiu.com/article/214964.html 图片地址: https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg==============================================================================================

到这里我们抓取新闻网站新闻信息就大功告成了,下面贴出来完整代码

from bs4 import BeautifulSoupfrom urllib import requestimport chardeturl = "https://www.huxiu.com"response = request.urlopen(url)html = response.read()charset = chardet.detect(html)html = html.decode(str(charset["encoding"]))  # 设置抓取到的html的编码方式# 使用剖析器为html.parsersoup = BeautifulSoup(html, 'html.parser')# 获取到每一个class=hot-article-img的a节点allList = soup.select('.hot-article-img')#遍历列表,获取有效信息for news in allList:    aaa = news.select('a')    # 只选择长度大于0的结果    if len(aaa) > 0:        # 文章链接        try:#如果抛出异常就代表为空            href = url + aaa[0]['href']        except Exception:            href=''        # 文章图片url        try:            imgUrl = aaa[0].select('img')[0]['src']        except Exception:            imgUrl=""        # 新闻标题        try:            title = aaa[0]['title']        except Exception:            title = "标题为空"        print("标题",title,"\nurl:",href,"\n图片地址:",imgUrl)        print("==============================================================================================")

数据获取到了我们还要把数据存到数据库,只要存到我们的数据库里,数据库里有数据了,就可以做后面的数据分析处理,也可以用这些爬取来的文章,给app提供新闻api接口,当然这都是后话了,等我自学到Python数据库操作以后,会写一篇文章

图文教程

视频教程

点击这个地址可以试看:https://www.bilibili.com/video/av55521385/
如果觉得视频教程不错,可以加老师微信购买 ,老师微信 2501902696

文章转载于:https://www.jianshu.com/p/7e59f52ea0b6

原著是一个有趣的人,若有侵权,请通知删除

未经允许不得转载:起风网 » python入门013~爬虫篇,网页爬虫,图片爬虫,文章爬虫,Python爬虫爬取新闻网站新闻

分享到: 生成海报
avatar

评论 抢沙发

评论前必须登录!

立即登录   注册

切换注册

登录

忘记密码 ?

切换登录

注册

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活