Python爬虫——爬取某网站新闻

文章目录

前言

?随机找了个网站爬爬，我们的目标是
1.利用爬虫的re、xpath等知识，爬取到这个官网上的新闻，内容有：新闻标题, 发布时间, 新闻链接, 阅读次数, 新闻来源五个属性。
2.把我们爬到的数据放到一个csv的文件中！
那么我们下面开始！?

提示：爬虫不可用作违法活动，爬取时要设定休眠时间，不可过度爬取，造成服务器宕机，需付法律责任！！！

一、基本目标

?我们的目标是爬取这个https://www.cqwu.edu.cn/channel_23133_0310.html网址的新闻数据

二、使用步骤

整体代码

import re
import time
import requests
from lxml import etree
import csv

# 带爬网址
base_url = "https://www.cqwu.edu.cn/channel_23133_0310.html"
# 反反爬
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36",
    "Accept-Encoding": "gzip, deflate, br",
    "Accept-Language": "zh-CN,zh;q=0.9"
}

# 爬取信息
resp = requests.get(url=base_url,headers=headers)
# 把信息通过etree进行赋值
html = etree.HTML(resp.text)
# xpath定位新闻列表信息
news_list = html.xpath("/html/body/div/div[3]/div/div/div[2]/div/ul/li")
data_list = []
# 对新闻列表循环遍历
for news in news_list:
    # 获取新闻链接
    news_url = news.xpath("./a/@href")[0]
    # 继续爬取新闻的详情页
    news_resp = requests.get(url=news_url)
    # 把详情页html信息赋值
    news_html = etree.HTML(news_resp.text)
    # xpath定位新闻详情页的标题
    news_title = news_html.xpath("/html/body/div/div[3]/div[1]/div/div[2]/div/div/h4/text()")[0]
    # re正则获取日期和引用来源
    time_refer_obj = re.compile(r'<div class="news-date">.*?发布时间：(?P<time>.*?)浏览：.*?次 来源：(?P<refer>.*?)</div>', re.S)
    result = time_refer_obj.finditer(news_resp.text)
    for it in result:
        # 对日期和引用进行赋值
        news_time = it.group("time")
        news_refer = it.group("refer").strip()
    # re正则获取浏览量数据
    count_obj = re.compile(r"浏览：<Script Language='Javascript' src='https://blog.csdn.net/weixin_42247720/article/details/(?P<count_url>.*?)'>", re.S)
    result = count_obj.finditer(news_resp.text)
    for it in result:
        count_url = "https://www.cqwu.edu.cn" + it.group("count_url")
        count_resp = requests.get(url=count_url)
        news_read = count_resp.text.split("'")[1].split("'")[0]
    # 创建一个字典，把各项爬取的信息赋值到字典当中
    data = {}
    data['新闻标题'] = news_title
    data['发布时间'] = news_time
    data['新闻链接'] = news_url
    data['阅读次数'] = news_read
    data['新闻来源'] = news_refer
    # 字典添加到列表中，后续变成xml使用
    data_list.append(data)
    # 休眠一秒
    time.sleep(1)
    print(data)

#  1.创建文件对象,encoding='utf-8'是设置编码格式，newline=''为了防止空行
f = open('news.csv', 'w', encoding='utf-8',newline='')
#  2.基于文件对象构建csv写入对象
csv_write = csv.writer(f)
#  3.构建列表头
csv_write.writerow(['新闻标题', '发布时间', '新闻链接', '阅读次数', '新闻来源'])
for data in data_list:
    #  4.写入csv文件
    csv_write.writerow([data['新闻标题'], data['发布时间'], data['新闻链接'], data['阅读次数'], data['新闻来源']])
print("爬取结束！")

结果

?下面是我们程序运行的输出过程

?这个是程序把数据存储到csv文件的文档

总结

爬虫的基本步骤：
1.检查有没有反爬，设置常规反反爬，User-Agent和referer都是最常见的反爬手段
2.利用xpath和re技术进行定位，定位后获取想到的数据即可
3.利用csv库把数据写入到csv文件中