您的位置:首页 > 其它

爬虫爬取实时新闻标题、时间及新闻内容并保存

2020-02-03 05:01 2341 查看

一、概述
本文主要利用selenium控制谷歌浏览器爬取百度新闻资讯及新闻资讯的内容。并保存在本地。在爬取文章内容的时候我用到了正则表达式去匹配文字内容,这里在文章中会有一些杂质出现(后续会想解决方法)。
二、软件及应用模块
1、anaconda、pycharm
anaconda里面集成了许多python的第三方库,使用起来非常方便。
在pycharm里面配置anaconda的环境具体方法可以百度,本人用的mac系统,所以win系统配置会有些许的不同。
2、requests库、openpyxl库、re模块、selenium
requests库,这个库的介绍 (https://2.python-requests.org//zh_CN/latest/user/advanced.html) (这里面讲解的非常详细)
openpyxl库是用来将数据存储到excel表格中的(如果觉得没必要可以去掉)
re模块,正则表达式主要是为了匹配我的中文字符(其实在网络爬虫中我们也可以用来定位元素的位置,但是大多数是用的xpath)
selenium 这个库其实就是自动化的模块,主要是为了实现手动翻页功能
三、代码

from selenium import webdriver
from time import sleep
import requests
from openpyxl import workbook
from openpyxl import load_workbook
import re

class Baidu():

def __init__(self):
#这里设置的初始网址是按照资讯内容的时间排序的,也可以按照热点或这焦点排序来爬取新闻
self.start_url = 'https://www.baidu.com/s?tn=news&rtt=4&bsst=1&cl=2&wd={}'
self.headers = {"User-Agent": "这里设置你自己浏览器的user-agent"}
#标题列表、时间列表、新闻内容的url列表
self.title_list = []
self.time_list = []
self.content_url_list = []
self.driver = webdriver.Chrome()

def get_content_list(self,start,page):
#定位新闻内容的元素位置
div_list = self.driver.find_elements_by_xpath('//div[@id="content_left"]')
#for循环遍历主要是为了得到不同的文章标题、时间及内容url地址
for div in div_list:
for i in range(start,page):
#获取标题
title = div.find_element_by_xpath("//div[@id={}]/h3[@class='c-title']/a".format(str(i+1))).text
#获取时间
time = div.find_element_by_xpath("//div[@id={}]//p".format(str(i+1))).text
#获取新闻内容的url地址
content_url = div.find_element_by_xpath("//div[@id={}]/h3[@class='c-title']/a".format(str(i+1))).get_attribute('href')
time = time.split('  ')[1]
self.title_list.append(title)
self.time_list.append(time)
self.content_url_list.append(content_url)
#得到下一页的元素(这里一定要注意,因为如果没有后面的下一页的话会定位失败)
element = self.driver.find_element_by_xpath("//p[@id='page']//a[@class='n'][text()='下一页>']")

return title, time, content_url, element, (start+10), (page+10)

#存储文章内容
def save_content(self, title_list, time_list, content_url_list):
wb = workbook.Workbook()
ws = wb.active
ws.append(['新闻标题', '新闻时间', '新闻内容链接'])

for i in range(len(self.title_list)):
ws.append([self.title_list[i], self.time_list[i], self.content_url_list[i]])

wb.save('你自己的文件路径.xlsx')

#请求网页,得到网页内容
def get_html_text(self, url, headers):
try:
response = requests.get(url, headers = headers)
response.raise_for_status()
response.encoding = response.apparent_encoding
return response.text
except:
return ""

#解析不同的网页内容,用正则匹配中文字符
def parse_html(self, html_text):
try:
news_text = re.findall('[\u4e00-\u9fa5]|[,。?]',html_text)
news_content = ''.join(news_text)
return news_content
except:
pass

#得到文件内容,存储新闻内容
def get_news_content(self, news_url_list, title_list):
for i in range(len(news_url_list)):
html_text = self.get_html_text(str(news_url_list[i]), self.headers)
news_content = self.parse_html(html_text)
#这里需要修改成你自己的新闻内容保存路径(/Users/yupei/Desktop/news_content/)
with open('你自己想要保存的路径位置' + title_list[i][:10] + '.txt', 'w') as f:
f.write(news_content)
f.close()

def run(self):
#1、请求百度网页,输入想要查询的股票内容
name = input("请输入你想要查找新闻名称:")
start, page = 0, 10
self.start_url = self.start_url.format(name)
self.driver.get(self.start_url)
sleep(2)
# 注:这里每一页的定位元素的id不断变化,所以需要去获取每一页的页数

#2、请求完成后自动点击资讯内容,选择按时间排序,爬取股票资讯内容及时间点并获取网页内容的url地址,将资讯和时间存到excel中,url保存在list中
title, time, content_url, element, start, page = self.get_content_list(start, page)

#3、点击下一页继续爬取内容
try:
while element is not None:
element.click()
sleep(2)
title, time, content_url, element, start, page = self.get_content_list(start, page)
except:
print("网页到头啦!!!")

#4、存储相应的新闻标题、新闻时间、新闻内容url信息,输出为excel表格
self.save_content(self.title_list, self.time_list, self.content_url_list)

#5、爬取到的url_list,遍历得到相应的内容
self.get_news_content(self.content_url_list, self.title_list)

if __name__ == '__main__':
Auto_Baidu = Baidu()
Auto_Baidu.run()

四、总结
整体代码感觉写的有点繁琐,还有一些需要改进和学习的地方。其实可以加一些多线程去节约运行时间(后期再改进啦~)
看到这篇文章的人如果有一些爬虫的小项目可以共同交流和进步,也可以帮一些有需求的人写小型的爬虫项目(免费),但是不做那种特别着急的爬虫项目。(如果需要的话评论区留下邮箱我会发微信到你邮箱,谢谢支持!)

  • 点赞 4
  • 收藏
  • 分享
  • 文章举报
weixin_44214267 发布了1 篇原创文章 · 获赞 4 · 访问量 1054 私信 关注
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: 
相关文章推荐