- 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
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)
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
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
十二、使用for循环产生多页链接
十三、批次抓取每页新闻内文
十四、 使用pandas整理数据
Python for Data Analysis
- 源于R
- Table-Like格式
- 提供高效能、简易使用的资料格式(Data Frame)让使用者可以快速操作及分析资料
十五、保存数据到数据库
持续战斗到这里,第一只网络爬虫终于完成。看着最终的结果,很有成就感啊!^_^
大家感兴趣的可以试一试,欢迎讨论交流~~~
如果觉得文章有用,请随手点赞,感谢大家的支持!
特别赠送: GitHub代码传送门
感谢大家耐心地阅读,如果能对大家有一点点帮助,欢迎点亮我的GitHub星标,谢谢~~~
源码可进群:125240963 即可获取什么大礼包
源码