软件测试|使用Python抓取百度新闻的页面内容

在这里插入图片描述

简介

作为技术工程师，在繁忙的工作中我们不一定有时间浏览发生的热点新闻，但是懂技术的我们不需要访问网站来看当下发生的大事，我们可以使用网络爬虫的技术来获取当下最新最热的新闻，本文就来介绍一下使用Python抓取一下百度新闻的页面内容。

环境准备

我们会使用到的库都是常用的库，requests和beautifulsoup是我们这次使用到的库，安装命令如下：

pip install requests beautifulsoup4

抓取页面内容

首先，我们使用requests库发送HTTP请求，并获取网页的内容。示例代码如下：

import requests

url = 'http://news.baidu.com/'
response = requests.get(url)
html = response.text
print(html)

以上代码中，我们使用了requests库发送了一个GET请求，并通过response.text属性获取了网页的HTML内容。

接下来，我们可以使用BeautifulSoup库将获取到的HTML内容进行解析，并提取所需的信息。示例代码如下：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')
news_list = soup.find_all('a', class_='f-title')
for news in news_list:
    print(news.get('href'))
    print(news.get_text())

以上代码中，我们使用BeautifulSoup库解析了HTML内容，并通过find_all方法找到了所有class为"f-title"的a标签，然后通过get方法获取了链接和标题。

解析新闻内容

在上一步中，我们已经获取到了新闻的链接和标题。接下来，我们需要进一步解析新闻的内容。

首先，我们可以使用前面提到的requests库，发送新闻链接的HTTP请求，获取新闻详细内容的HTML。示例代码如下：

news_url = 'http://news.baidu.com/some_news_url'
news_response = requests.get(news_url)
news_html = news_response.text
print(news_html)

然后，我们可以使用BeautifulSoup库解析新闻的HTML内容，提取新闻的正文内容。示例代码如下：

news_soup = BeautifulSoup(news_html, 'html.parser')
news_content = news_soup.find('div', class_='news-content')
print(news_content.get_text())

以上代码中，我们假设新闻内容所在的标签的class属性为"news-content"，通过find方法找到该标签，并通过get_text方法获取标签内的文本内容。

数据保存与处理

在前两步中，我们已经获取到了新闻的链接、标题和内容。接下来，我们可以将这些数据保存到本地文件或数据库中，或者进行进一步的数据处理。

一种常见的保存数据的方式是将数据写入到CSV文件中。示例代码如下：

import csv

data = [['链接', '标题', '内容'],
        ['http://news.baidu.com/some_news_url', '新闻标题1', '新闻内容1'],
        ['http://news.baidu.com/some_news_url', '新闻标题2', '新闻内容2'],
        ['http://news.baidu.com/some_news_url', '新闻标题3', '新闻内容3']]

with open('news.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    writer.writerows(data)

以上代码中，我们首先定义了一个二维列表data，包含了新闻的链接、标题和内容。然后使用csv库将数据写入到名为news.csv的文件中。

注：在爬取网站数据时，请确保遵守相关的法律法规和网站的使用政策，以避免法律纠纷。