python3爬取新闻网站的所有新闻-新手起步

该篇文章适用于新手，让大家在刚接触爬虫的时候少踩点坑。作者接触python也有几个月时间了，最近要用python做数据采集的工作，因此要用爬虫去爬取各大门户网站。
好了，废话不多说，直接切入正题。

（声明：我整个工作都是在windows下进行的。）

1.环境配置。
python就够了，关于windows下环境搭建，网上教程很多。

这里我附一个。（http://www.cnblogs.com/windinsky/archive/2012/09/20/2695520.html）

python环境确定搭建成功，就可以开始写程序去爬虫了。

2.要明确你所要爬取的网站结构。
（1）url

爬虫，实际上就是解析页面的url， 以及每个页面的标签元素（html那些）。因此，要先对你所要爬取的页面 url和内容的布局非常了解。

比如，我爬取的是凤凰网的所有新闻。 凤凰网上，大部分新闻正文的页面链接，都是这种形式，ifeng前面是新闻的分类，http://news.ifeng.com/a/20170623/51308599_0.shtml。

找到了规律，就可以用正则表达式把这些页面提取出来。

关于正则表达式的学习，网上也有很多教程。这里给大家附一个比较好的链接 http://www.jb51.net/article/57150.htm （2）页面中的标签元素

我要提取的是新闻的标题和正文内容。 如前面所说，我找到了我想要的新闻页面，可以在浏览器里用F12， 来观察页面布局。

比如凤凰网新闻正文页面， 标题都在<div id='artical'>是<h1>标签， 正文都在<div id='main_content'>里， 是<p>标签。

3.写程序，调试运行。

这里用到了python的urllib, Beautifulsoup包。

我用的是python3， 3和2会有一些语法上的区别， 但是大体逻辑是一样的。

urllib负责对url的处理，主要是request， parse, error, 这几个模块。 负责对url发送请求，获取页面信息，error的处理。
Beautifulsoup负责对页面的解析，获取的页面是html树形结构， 通过findAll（）， select(), get（）， get_text()等函数即可很方便的获取到我们想要的内容。

4.最后，如果是想要获取整个门户网站的数据，则需要一些递归， 整个网站相当于一个图结构， dfs（深度优先遍历）是比较好的方法。

关于爬虫程序的书写，比较烦人的几点：

（1）不同页面url各不相同，越是大的门户网站，类别越多，总会有一些没看到，没考虑到的情况，有时候程序里判断不全面，就会报错； 相近的还有，页面标签，有些新闻正文页面布局也不太一样，用一个提取方法也就难以提取出来。 对于以上问题， 我们需要在程序里多写一些情况处理 if error，防止在爬取的时候报错 终止；

（2）编码问题， 这是我遇到最多，最棘手的问题尤其在爬虫的时候。 我是要抓取新闻，然后保存到txt中。可能有些页面会存在极个别特殊的字符，无法编码解码，经常导致程序意外终止。解决方法：对极个别难以处理的网站，在源头就把它筛选掉，抓取数据时，往往不在乎一两个页面的数据。

别人跟我说，python爬虫的特点是：简单，暴力，跟python语言风格一样。

#coding: utf-8

import codecs
from urllib import request, parse
from bs4 import BeautifulSoup
import re
import time
from urllib.error import HTTPError, URLError
import sys

###新闻类定义
class News(object):
def __init__(self):
self.url = None  #该新闻对应的url
self.topic = None #新闻标题
self.date = None #新闻发布日期
self.content = None  #新闻的正文内容
self.author = None  #新闻作者

###如果url符合解析要求，则对该页面进行信息提取
def getNews(url):
#获取页面所有元素
html = request.urlopen(url).read().decode('utf-8', 'ignore')
#解析
soup = BeautifulSoup(html, 'html.parser')

#获取信息
if not(soup.find('div', {'id':'artical'})): return

news = News()  #建立新闻对象

page = soup.find('div', {'id':'artical'})

if not(page.find('h1', {'id':'artical_topic'})): return
topic = page.find('h1', {'id':'artical_topic'}).get_text()  #新闻标题
news.topic = topic

if not(page.find('div', {'id': 'main_content'})): return
main_content = page.find('div', {'id': 'main_content'})   #新闻正文内容

content = ''

for p in main_content.select('p'):
content = content + p.get_text()

news.content = content

news.url = url       #新闻页面对应的url
f.write(news.topic+'\t'+news.content+'\n')

##dfs算法遍历全站###
def dfs(url):
global count
print(url)

pattern1 = 'http://news\.ifeng\.com\/[a-z0-9_\/\.]*$'     #可以继续访问的url规则
pattern2 = 'http://news\.ifeng\.com\/a\/[0-9]{8}\/[0-9]{8}\_0\.shtml$'  #解析新闻信息的url规则

#该url访问过，则直接返回
if url in visited:  return
print(url)

#把该url添加进visited()
visited.add(url)
# print(visited)

try:
#该url没有访问过的话，则继续解析操作
html = request.urlopen(url).read().decode('utf-8', 'ignore')
# print(html)
soup = BeautifulSoup(html, 'html.parser')

if re.match(pattern2, url):
getNews(url)
# count += 1

####提取该页面其中所有的url####
links = soup.findAll('a', href=re.compile(pattern1))
for link in links:
print(link['href'])
if link['href'] not in visited:
dfs(link['href'])
# count += 1
except URLError as e:
print(e)
return
except HTTPError as e:
print(e)
return
# print(count)
# if count > 3: return

visited = set()  ##存储访问过的url

f = open('ifeng/news.txt', 'a+', encoding='utf-8')

dfs('http://news.ifeng.com/')