首页 > > 网络编程 > 其它 >

Python爬虫学习记录【内附代码、详细步骤】

2018-06-17 23:48:11来源：未知阅读 ()

引言：

昨天在网易云课堂自学了《Python网络爬虫实战》，视频链接老师讲的很清晰，跟着实践一遍就能掌握爬虫基础了，强烈推荐！

另外，在网上看到一位学友整理的课程记录，非常详细，可以优先参考学习。传送门：请点击

本篇文章是自己同步跟着视频学习的记录，欢迎阅读~~~

实验：新浪新闻首页爬虫实践

http://news.sina.com.cn/china/

一、准备

浏览器内建的开发人员工具（以Chrome为例）
Python3 requests 库
Python3 BeautifulSoup4 库(注意，BeautifulSoup4和BeautifulSoup是不一样的)
jupyter notebook

二、抓取前的分析

以Chrome为例，抓取前的分析步骤如图：

按F12进入到开发者工具；
点击Network；
刷新页面；（按F5）
找到Doc；
找到左边Name这一栏的第一个(需要爬去的链接90%的情况都是第一个)；
点击右边的Headers；
找到请求的URL和请求方式。

三、开始撰写第一只网络爬虫

Requests库

网络资源撷取套件
改善Urllib2的缺点，让使用者以最简单的方式获取网络资源
可以使用REST操作存取网络资源

jupyter

使用jupyter来抓取网页并打印在浏览器中，再按Ctrl-F查找对应的内容，以确定我们要爬去的内容在该网页中。

测试示例：

1 import requests
2 res = requests.get('http://www.sina.com.cn/')
3 res.encoding = 'utf-8'
4 print(res.text)

四、用BeautifulSoup4剖析网页元素

测试示例：

 1 from bs4 import BeautifulSoup
 2 html_sample = ' \
 3 <html> \
 4 <body> \
 5 <h1 id="title">Hello World</h1> \
 6 <a href="#" class="link">This is link1</a> \
 7 <a href="# link2" class="link">This is link2</a> \
 8 </body> \
 9 </html>'
10 
11 soup = BeautifulSoup(html_sample, 'lxml')
12 print(soup.text)

五、BeautifulSoup基础操作

使用select找出含有h1标签的元素

soup = BeautifulSoup(html_sample)
header = soup.select('h1')
print(header)
print(header[0])
print(header[0].text)

使用select找出含有a的标签

soup = BeautifulSoup(html_sample, 'lxml')
alink = soup.select('a')
print(alink)
for link in alink:
    print(link)
    print(link.txt)

使用select找出所有id为title的元素(id前面需要加#)

alink = soup.select('#title')
print(alink)

使用select找出所有class为link的元素(class前面需要加.)

soup = BeautifulSoup(html_sample)
for link in soup.select('.link'):
    print(link)

使用select找出所有a tag的href链接

alinks = soup.select('a')
for link in alinks:
    print(link['href']) # 原理：会把标签的属性包装成字典

六、观察如何抓取新浪新闻信息

关键在于寻找CSS定位

Chrome开发人员工具(进入开发人员工具后，左上角点选元素观测，就可以看到了)
Chrome寻找元素定位.png
Firefox开发人员工具
InfoLite(需FQ)

七、制作新浪新闻网络爬虫

抓取时间、标题、内容

import requests
from bs4 import BeautifulSoup

res = requests.get('http://news.sina.com.cn/china')
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'lxml')

for news in soup.select('.news-item'):
    if (len(news.select('h2')) > 0):
        h2 = news.select('h2')[0].text
        time = news.select('.time')[0].text
        a = news.select('a')[0]['href']
        print(time, h2, a)

抓取新闻内文页面

新闻网址为：http://news.sina.com.cn/o/2017-12-06/doc-ifypnyqi1126795.shtml

内文资料信息说明图.png

获取新闻内文标题、时间、来源

其中涉及时间和字符串转换

from datetime import datetime

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

// 时间转字符串 --- strftime
dt.strftime(%Y-%m-%d)

整理新闻内文、获取编辑名称

整理新闻内文步骤：

1、抓取；

2、获取段落；

3、去掉最后一行的编辑者信息；

4、去掉空格；

5、将空格替换成\n，这里可以自行替换成各种其他形式；

最终简写为一句话。

抓取新闻评论数

解释：

评论是是通过JS代码传过来的；既然是JS，那么通过AJAX传过来的概率很高，于是点到XHR中看，但是发现Response中没有出现总评论数2；然后就只能去JS里面了，地毯式搜索，找哪个Response里出现了总评论数2，终于找到了。

找到链接和请求方式

今天补的截图，评论数实时增加，请不要觉得奇怪 ^_^

然后就可以撸码了。

解释：

var data={......}看着很像是个json串，去掉var data=，使其变为json串。

可以看到，jd串中就是评论的信息了。

回到Chrome开发工具中，浏览评论数量。

获取新闻标识符（新闻ID）

方式1：切割法

# 取得新闻编号
newsurl = 'http://news.sina.com.cn/o/2017-12-06/doc-ifypnyqi1126795.shtml'
newsid = newsurl.split('/')[-1].rstrip('.shtml').lstrip('doc-i')
newsid

方式2：正则表达式

import re
m = re.search('doc-i(.*).shtml', newsurl)
newsid = m.group(1)
newsid

八、建立获取评论数函数

做一个总整理，把刚刚取得评论数的方法整理成一个函数。之后有新闻网页的链接丢进来，可以通过这个函式去取得它的总评论数。

九、建立新闻内文信息抽取函数

十、从列表链接中取出每篇新闻内容

如果Doc下面没有我们想要找的东西，那么就有理由怀疑，这个网页产生资料的方式，是通过非同步的方式产生的。因此需要去XHR和JS下面去找。

有时候会发现非同步方式的资料XHR下没有，而是在JS下面。这是因为这些资料会被JS的函式包装，Chrome的开发者工具认为这是JS文件，因此就放到了JS下面。

在JS中找到我们感兴趣的资料，然后点击Preview预览，如果确定是我们要找的，就可以去Headers中查看Request URL和Request Method了。

一般JS中的第一个可能就是我们要找的，要特别留意第一个。

1、选择Network标签

2、点选JS

3、找到页面链接page=2

处理分页链接

注意头尾，需要去掉头和尾，将其变成标准的json格式。

十一、建立剖析清单链接函数

将前面的步骤整理一下，封装到一个函式中。

def parseListLinks(url):
    newsdetails = []
    res = requests.get(url)
    jd = json.loads(res.text.lstrip('newsloadercallback()').rstrip(');'))
    for ent in jd['result']['data']:
        newsdetails.append(getNewsDetail(ent['url']))
    return newsdetails