Python_网络爬虫（新浪新闻抓取）

爬取前的准备：

• BeautifulSoup的导入：pip install BeautifulSoup4
• requests的导入：pip install requests
• 下载jupyter notebook：pip install jupyter notebook
• 下载python，配置环境（可使用anocanda，里面提供了很多python模块）

json

• 定义 ：是一种格式，用于数据交换。

Javascript 对象

• 定义 ： 一种javascript的引用类型

中文格式除了‘ utf-8 ’还有‘ GBK ’、‘ GB2312 ’ 、‘ ISO-8859-1 ’、‘ GBK ‘’等

用requests可获取网页信息

用BeautifulSoup可以将网页信息转换为可操作物块

soup = BeautifulSoup(res.text,'html.parser')
# 将requests获取的网页信息转换为BeautifulSoup的物件存于soup中，并指明其剖析器为'html.parser'，否则会出现警告。

用beautifulSoup中的select方法可以获取相应的元素，且获取的元素为list形式，可以用for循环将其逐个解析出来

alink = soup.select('h1')

for link in alink:
    print(link.text)

获取html标签值后，可以用[‘href’]获取‘href’属性的值,如

for link in soup.select('a'):
  　print(link['href'])

获取新闻编号：

* .strip（）可以去除前后空白格，括号内加入字符串可以去除指定字符串，rstrip（）可以去除右边的，lstrip（）可以去除左边的；

*  split（'/'）根据指定的字符对字符串进行切割

re正则表达式的使用：

import re

m = re.search（' doc-i(.*).shtml ',newsurl）　　# 返回在newsurl中匹配到的字符串
print(m.group(1))　　# group（0）可以取得所有匹配到的部分，group（1）只可以取得括号内的部分

使用for循环获取新闻的多页链接

url = 'http://api.roll.news.sina.com.cn/zt_list?channel=news&cat_1=gnxw&cat_2==gdxw1||=gatxw||=zs-pl||=mtjj&level==1||=2&show_ext=1&show_all=1&show_num=22&tag=1&format=json&page={}&callback=newsloadercallback&_=1501000415111'
 
for i in rannge（0,10）：
　　print( url.format( i ) )
# format可以将url里面的大括号（要修改的部分我们把它删去并换成大括号）换为我们要加入的值（如上面代码中的 i）

获取新闻发布的时间：

　　获取的信息可能会有包含的成分，即会获取到如出版社的其他我们不需要的元素，可以用contents将里面的元素分离成list形式，用contents[0]即可获取相应元素

# 获取出版时间
from datetime import datetime

res = requests.get('http://news.sina.com.cn/c/nd/2017-07-22/doc-ifyihrmf3191202.shtml')
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text,'html.parser')
timesource = soup.select('.time-source')
print(timesource[0].contents[0]) 

　　时间字符串转换　

# 字符串转时间：-strptime
dt = datetime.strptime(timesource,'%Y年%m月%d日%H：%M ’）

# 时间转换字符串：-strftime
dt.strftime('%Y-%m-%d‘）

获取新闻内文：

　　检查其所属类后按照上面的 select 获取新闻内文，获取的内容为list形式，可用for循环将内容去除标签后加入到自己创建的的list中（如article = []）

　　* 其中可以用 ‘ ’.join( article ) 将article列表中的每一项用换行符‘ ’分隔开；

# 获取单篇新闻内容
article = []
for p in soup.select('.article p'):
    article.append(p.text.strip())
print('
'.join(article))

　　上面获取单篇新闻的代码可用一行完成：

# 一行完成上面获取新闻内容的代码
print('
'.join([p.text.strip() for p in soup.select('.article p')]))

获取评论数量：（在获取评论数量时会发现评论是用js的形式发送给浏览器的，所以要先把获取的内容转化为json格式读取python字典

# 取得评论数的数量
import requests
import json
comment = requests.get('http://comment5.news.sina.com.cn/page/info?version=1&format=js&c
hannel=gn&newsid=comos-fyihrmf3218511&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20')　　# 从评论地址获取相关内容
comment.encoding = 'utf-8'
jd = json.loads(comment.text.strip('var data='))
jd['result']['count']['total']

完整代码（以获取新浪新闻为例）：

# 获取新闻的标题，内容，时间和评论数
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import json
import pandas

def getNewsdetial(newsurl):
    res = requests.get(newsurl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    newsTitle = soup.select('.page-header h1')[0].text.strip()
    nt = datetime.strptime(soup.select('.time-source')[0].contents[0].strip(),'%Y年%m月%d日%H:%M')
    newsTime = datetime.strftime(nt,'%Y-%m-%d %H:%M')
    newsArticle = getnewsArticle(soup.select('.article p'))
    newsAuthor = newsArticle[-1]
    return newsTitle,newsTime,newsArticle,newsAuthor
def getnewsArticle(news):
    newsArticle = []
    for p in news:
         newsArticle.append(p.text.strip())
    return newsArticle

# 获取评论数量

def getCommentCount(newsurl):
    m = re.search('doc-i(.+).shtml',newsurl)
    newsid = m.group(1)
    commenturl = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20'
    comment = requests.get(commenturl.format(newsid))   #将要修改的地方换成大括号，并用format将newsid放入大括号的位置
    jd = json.loads(comment.text.lstrip('var data='))
    return jd['result']['count']['total']


def getNewsLinkUrl():
#     得到异步载入的新闻地址（即获得所有分页新闻地址）
    urlFormat = 'http://api.roll.news.sina.com.cn/zt_list?channel=news&cat_1=gnxw&cat_2==gdxw1||=gatxw||=zs-pl||=mtjj&level==1||=2&show_ext=1&show_all=1&show_num=22&tag=1&format=json&page={}&callback=newsloadercallback&_=1501000415111'
    url = []
    for i in range(1,10):
        res = requests.get(urlFormat.format(i))
        jd = json.loads(res.text.lstrip('  newsloadercallback(').rstrip(');'))
        url.extend(getUrl(jd))     #entend和append的区别
    return url

def getUrl(jd):
#     获取每一分页的新闻地址
    url = []
    for i in jd['result']['data']:
        url.append(i['url'])
    return url

# 取得新闻时间，编辑，内容，标题，评论数量并整合在total_2中
def getNewsDetial():
    title_all = []
    author_all = []
    commentCount_all = []
    article_all = []
    time_all = []
    url_all = getNewsLinkUrl()
    for url in url_all:
        title_all.append(getNewsdetial(url)[0])
        time_all.append(getNewsdetial(url)[1])
        article_all.append(getNewsdetial(url)[2])
        author_all.append(getNewsdetial(url)[3])
        commentCount_all.append(getCommentCount(url))
    total_2 = {'a_title':title_all,'b_article':article_all,'c_commentCount':commentCount_all,'d_time':time_all,'e_editor':author_all}
    return total_2

# ( 运行起始点 )用pandas模块处理数据并转化为excel文档

df = pandas.DataFrame(getNewsDetial())
df.to_excel('news2.xlsx')

存储的excel文档如下：

 

TIPS：

问题：在jupyter notebook导入pandas时可能会出现导入错误

解决：不要用命令行打开jupyter notebook，直接找到软件打开或者在Anocanda Navigator中打开

2017-07-29  21:49:37