文章详情

短信预约-IT技能 免费直播动态提醒

请输入下面的图形验证码

提交验证

短信预约提醒成功

python如何爬取新闻门户网站

2023-06-14 20:06

关注

这篇文章主要介绍了python如何爬取新闻门户网站,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。

python主要应用领域有哪些

1、云计算,典型应用OpenStack。2、WEB前端开发,众多大型网站均为Python开发。3.人工智能应用,基于大数据分析和深度学习而发展出来的人工智能本质上已经无法离开python。4、系统运维工程项目,自动化运维的标配就是python+Django/flask。5、金融理财分析,量化交易,金融分析。6、大数据分析。

如何使用

每个文件夹下的代码就是对应平台的新闻爬虫

  1. py 文件直接运行

  2. pyd 文件需要,假设为 pengpai_news_spider.pyd

将 pyd 文件下载到本地,新建项目,把 pyd 文件放进去

项目根目录下新建 runner.py,写入以下代码即可运行并抓取

import pengpai_news_spiderpengpai_news_spider.main()

示例代码

百度新闻

# -*- coding: utf-8 -*-# 文件备注信息       如果遇到打不开的情况,可以先在浏览器打开一下百度搜索引擎import requestsfrom datetime import datetime, timedeltafrom lxml import etreeimport csvimport osfrom time import sleepfrom random import randintdef parseTime(unformatedTime):    if '分钟' in unformatedTime:        minute = unformatedTime[:unformatedTime.find('分钟')]        minute = timedelta(minutes=int(minute))        return (datetime.now() -                minute).strftime('%Y-%m-%d %H:%M')    elif '小时' in unformatedTime:        hour = unformatedTime[:unformatedTime.find('小时')]        hour = timedelta(hours=int(hour))        return (datetime.now() -                hour).strftime('%Y-%m-%d %H:%M')    else:        return unformatedTimedef dealHtml(html):    results = html.xpath('//div[@class="result-op c-container xpath-log new-pmd"]')    saveData = []    for result in results:        title = result.xpath('.//h4/a')[0]        title = title.xpath('string(.)').strip()        summary = result.xpath('.//span[@class="c-font-normal c-color-text"]')[0]        summary = summary.xpath('string(.)').strip()        # ./ 是直接下级,.// 是直接/间接下级        infos = result.xpath('.//div[@class="news-source"]')[0]        source, dateTime = infos.xpath(".//span[last()-1]/text()")[0], \                           infos.xpath(".//span[last()]/text()")[0]        dateTime = parseTime(dateTime)        print('标题', title)        print('来源', source)        print('时间', dateTime)        print('概要', summary)        print('\n')        saveData.append({            'title': title,            'source': source,            'time': dateTime,            'summary': summary        })    with open(fileName, 'a+', encoding='utf-8-sig', newline='') as f:        writer = csv.writer(f)        for row in saveData:            writer.writerow([row['title'], row['source'], row['time'], row['summary']])headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36',    'Referer': 'https://www.baidu.com/s?rtt=1&bsst=1&cl=2&tn=news&word=%B0%D9%B6%C8%D0%C2%CE%C5&fr=zhidao'}url = 'https://www.baidu.com/s'params = {    'ie': 'utf-8',    'medium': 0,    # rtt=4 按时间排序 rtt=1 按焦点排序    'rtt': 1,    'bsst': 1,    'rsv_dl': 'news_t_sk',    'cl': 2,    'tn': 'news',    'rsv_bp': 1,    'oq': '',    'rsv_btype': 't',    'f': 8,}def doSpider(keyword, sortBy = 'focus'):    '''    :param keyword: 搜索关键词    :param sortBy: 排序规则,可选:focus(按焦点排序),time(按时间排序),默认 focus    :return:    '''    global fileName    fileName = '{}.csv'.format(keyword)    if not os.path.exists(fileName):        with open(fileName, 'w+', encoding='utf-8-sig', newline='') as f:            writer = csv.writer(f)            writer.writerow(['title', 'source', 'time', 'summary'])    params['wd'] = keyword    if sortBy == 'time':        params['rtt'] = 4    response = requests.get(url=url, params=params, headers=headers)    html = etree.HTML(response.text)    dealHtml(html)    total = html.xpath('//div[@id="header_top_bar"]/span/text()')[0]    total = total.replace(',', '')    total = int(total[7:-1])    pageNum = total // 10    for page in range(1, pageNum):        print('第 {} 页\n\n'.format(page))        headers['Referer'] = response.url        params['pn'] = page * 10        response = requests.get(url=url, headers=headers, params=params)        html = etree.HTML(response.text)        dealHtml(html)        sleep(randint(2, 4))    ...if __name__ == "__main__":    doSpider(keyword = '马保国', sortBy='focus')

感谢你能够认真阅读完这篇文章,希望小编分享的“python如何爬取新闻门户网站”这篇文章对大家有帮助,同时也希望大家多多支持编程网,关注编程网行业资讯频道,更多相关知识等着你来学习!

阅读原文内容投诉

免责声明:

① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的,并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据,供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。

② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341

软考中级精品资料免费领

  • 历年真题答案解析
  • 备考技巧名师总结
  • 高频考点精准押题
  • 2024年上半年信息系统项目管理师第二批次真题及答案解析(完整版)

    难度     807人已做
    查看
  • 【考后总结】2024年5月26日信息系统项目管理师第2批次考情分析

    难度     351人已做
    查看
  • 【考后总结】2024年5月25日信息系统项目管理师第1批次考情分析

    难度     314人已做
    查看
  • 2024年上半年软考高项第一、二批次真题考点汇总(完整版)

    难度     433人已做
    查看
  • 2024年上半年系统架构设计师考试综合知识真题

    难度     221人已做
    查看

相关文章

发现更多好内容

猜你喜欢

AI推送时光机
位置:首页-资讯-后端开发
咦!没有更多了?去看看其它编程学习网 内容吧
首页课程
资料下载
问答资讯