前言
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取
基本开发环境
- Python 3.6
- Pycharm
import requests
import parsel
import pdfkit
import csv
import threading
相关模块pip安装即可
确定目标网页
获取数据
- 标题
- 内容 保存成PDF
- 日期
- 图片 保存本地
- 详情页url、日期、图片地址等等 保存csv
网站是静态网页，没有什么难度
详情页
同样是静态页面
网页源代码已经说明数据在什么地方了，利用相关的解析工具，对网页数据进行解析即可。
代码实现
- 请求网页以及解析
def get_html(html_url):
response = requests.get(url=html_url, headers=headers)
return response
def get_pars(html_data):
selector = parsel.Selector(html_data)
return selector
- 保存内容 PDF格式
html_str = """
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def save_article(article, title):
html_path = '重庆新闻\\' + title + '.html'
pdf_path = '重庆新闻pdf\\' + title + '.pdf'
html = html_str.format(article=article)
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html)
print('{}已下载完成'.format(title))
# exe 文件存放的路径
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通过 pdfkit 变成 pdf 文件
pdfkit.from_file(html_path, pdf_path, configuration=config)
- 保存csv文件
f = open('新闻.csv', mode='a', encoding='utf-8-sig', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['标题', '作者', '日期', '新闻详情页'])
csv_writer.writeheader()
- 保存图片
def save_img(img_urls):
for i in img_urls:
img_url = 'http://news.cqu.edu.cn' + i
img_content = get_html(img_url).content
img_name = img_url.split('/')[-1]
with open('新闻图片\\' + img_name, mode='wb') as f:
f.write(img_content)
- 主函数
def main(url):
html_data = get_html(url).text
selector = get_pars(html_data)
lis = selector.css('body > div:nth-child(4) > div > div.lists .title a::attr(href)').getall()
for li in lis:
content_data = get_html(li).text
li_selector = get_pars(content_data)
title = li_selector.css('.dtitle::text').get() # 新闻标题
article = li_selector.css('.acontent').get() # 新闻内容
name_list = li_selector.css('.dinfoa a::text').getall() # 作者
name = '|'.join(name_list)
date_list = li_selector.css('.ibox span::text').getall()
date_str = ''.join(date_list) # 新闻日期
img_urls = li_selector.css('.acontent p img::attr(src)').getall() # 获取新闻内图片
dit = {
'标题': title,
'作者': name,
'日期': date_str,
'新闻详情页': li,
}
csv_writer.writerow(dit)
save_article(article, title)
save_img(img_urls)
if __name__ == '__main__':
for page in range(1, 11):
url = 'https://news.cqu.edu.cn/newsv2/news-127.html?&page={}'.format(page)
main_thread = threading.Thread(target=main, args=(url,))
main_thread.start()
- 文件PDF
- 详情页url
- 相关图片
图片可以按照标题后缀数字123命名，这个地方可以优化
- csv文件数据
完整代码
import requests
import parsel
import pdfkit
import csv
import threading
f = open('新闻.csv', mode='a', encoding='utf-8-sig', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['标题', '作者', '日期', '新闻详情页'])
csv_writer.writeheader()
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36'
}
html_str = """
<!doctype html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Document</title>
</head>
<body>
{article}
</body>
</html>
"""
def get_html(html_url):
response = requests.get(url=html_url, headers=headers)
return response
def get_pars(html_data):
selector = parsel.Selector(html_data)
return selector
def save_article(article, title):
html_path = '重庆新闻\\' + title + '.html'
pdf_path = '重庆新闻pdf\\' + title + '.pdf'
html = html_str.format(article=article)
with open(html_path, mode='w', encoding='utf-8') as f:
f.write(html)
print('{}已下载完成'.format(title))
# exe 文件存放的路径
config = pdfkit.configuration(wkhtmltopdf='C:\\Program Files\\wkhtmltopdf\\bin\\wkhtmltopdf.exe')
# 把 html 通过 pdfkit 变成 pdf 文件
pdfkit.from_file(html_path, pdf_path, configuration=config)
def save_img(img_urls):
for i in img_urls:
img_url = 'http://news.cqu.edu.cn' + i
img_content = get_html(img_url).content
img_name = img_url.split('/')[-1]
with open('新闻图片\\' + img_name, mode='wb') as f:
f.write(img_content)
def main(url):
html_data = get_html(url).text
selector = get_pars(html_data)
lis = selector.css('body > div:nth-child(4) > div > div.lists .title a::attr(href)').getall()
for li in lis:
content_data = get_html(li).text
li_selector = get_pars(content_data)
title = li_selector.css('.dtitle::text').get() # 新闻标题
article = li_selector.css('.acontent').get() # 新闻内容
name_list = li_selector.css('.dinfoa a::text').getall() # 作者
name = '|'.join(name_list)
date_list = li_selector.css('.ibox span::text').getall()
date_str = ''.join(date_list) # 新闻日期
img_urls = li_selector.css('.acontent p img::attr(src)').getall() # 获取新闻内图片
dit = {
'标题': title,
'作者': name,
'日期': date_str,
'新闻详情页': li,
}
csv_writer.writerow(dit)
save_article(article, title)
save_img(img_urls)
if __name__ == '__main__':
for page in range(1, 11):
url = 'https://news.cqu.edu.cn/newsv2/news-127.html?&page={}'.format(page)
main_thread = threading.Thread(target=main, args=(url,))
main_thread.start()