一，首先看看Python是如何简单的爬取网页的
1，准备工作
项目用的BeautifulSoup4和chardet模块属于三方扩展包，如果没有请自行pip安装，我是用pycharm来做的安装，下面简单讲下用pycharm安装chardet和BeautifulSoup4
- 在pycharm的设置里按照下图的步骤操作
- 安装成功后就会出现在在安装列表中，到此就说明我们安装网络爬虫扩展库成功
进群：960410445 领取资料大礼包啊！只有二十份！送完即止！
由于抓取的html文档比较长，这里简单贴出来一部分给大家看下
<Meta charset="utf-8"> <Meta http-equiv="X-UA-Compatible" content="IE=Edge"> <Meta name="viewport" content="width=device-width,initial-scale=1.0,user-scalable=no"> <Meta name="applicable-device" content="pc,mobile"> <Meta name="MobileOptimized" content="width"/> <Meta name="HandheldFriendly" content="true"/> <Meta name="mobile-agent" content="format=html5;url=http://localhost/"> <Meta name="description" content="简书是一个优质的创作社区，在这里，你可以任性地创作，一篇短文、一张照片、一首诗、一幅画……我们相信，每个人都是生活中的艺术家，有着无穷的创造力。"> <Meta name="keywords" content="简书,简书官网,图文编辑软件,简书下载,图文创作,创作软件,原创社区,小说,散文,写作,阅读"> ..........后面省略一大堆
这就是python3的爬虫简单入门，是不是很简单，建议大家多敲几遍
迫不及待的看下都爬取到了些什么美图
就这么轻易的爬取到了24个妹子的图片。是不是很简单。
四，python3爬取新闻网站新闻列表
到这里稍微复杂点，就分布给大家讲解
- 1 这里我们需要先爬取到html网页上面第一步有讲怎么抓取网页
- 2分析我们要抓取的html标签
分析上图我们要抓取的信息再div中的a标签和img标签里，所以我们要想的就是怎么获取到这些信息
这里就要用到我们导入的BeautifulSoup4库了，这里的关键代码
# 使用剖析器为html.parser soup = BeautifulSoup(html,'html.parser') # 获取到每一个class=hot-article-img的a节点 allList = soup.select('.hot-article-img')
上面代码获取到的allList就是我们要获取的新闻列表，抓取到的如下
[,,,,,,,,,,]
这里数据是抓取到了，但是太乱了，并且还有很多不是我们想要的，下面就通过遍历来提炼出我们的有效信息
- 3 提取有效信息
#遍历列表，获取有效信息 for news in allList: aaa = news.select('a') # 只选择长度大于0的结果 if len(aaa) > 0: # 文章链接 try:#如果抛出异常就代表为空 href = url + aaa[0]['href'] except Exception: href='' # 文章图片url try: imgurl = aaa[0].select('img')[0]['src'] except Exception: imgurl="" # 新闻标题 try: title = aaa[0]['title'] except Exception: title = "标题为空" print("标题",title," url：",href," 图片地址：",imgurl) print("==============================================================================================")
这里添加异常处理，主要是有的新闻可能没有标题，没有url或者图片，如果不做异常处理，可能导致我们爬取的中断。
过滤后的有效信息
标题 标题为空 url： https://www.huxiu.com/article/211390.html 图片地址： https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 TFBOYS成员各自飞，商业价值天花板已现？ url： https://www.huxiu.com/article/214982.html 图片地址： https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 买手店江湖 url： https://www.huxiu.com/article/213703.html 图片地址： https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 iPhone X正式告诉我们，手机和相机开始分道扬镳 url： https://www.huxiu.com/article/214679.html 图片地址： https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 信用已被透支殆尽，乐视汽车或成贾跃亭弃子 url： https://www.huxiu.com/article/214962.html 图片地址： https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 别小看“搞笑诺贝尔奖”，要向好奇心致敬 url： https://www.huxiu.com/article/214867.html 图片地址： https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 10 年前改变世界的，可不止有 iPhone | 发车 url： https://www.huxiu.com/article/214954.html 图片地址： https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 感谢微博替我做主 url： https://www.huxiu.com/article/214908.html 图片地址： https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 苹果确认取消打赏抽成，但还有多少内容让你觉得值得掏腰包？ url： https://www.huxiu.com/article/215001.html 图片地址： https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 中国音乐的“全面付费”时代即将到来？ url： https://www.huxiu.com/article/214969.html 图片地址： https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ============================================================================================== 标题 百丽退市启示录：“一代鞋王”如何与新生代消费者渐行渐远 url： https://www.huxiu.com/article/214964.html 图片地址： https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imagemogr2/strip/interlace/1/quality/85/format/jpg ==============================================================================================
到这里我们抓取新闻网站新闻信息就大功告成了，下面贴出来完整代码
from bs4 import BeautifulSoup from urllib import request import chardet url = "https://www.huxiu.com" response = request.urlopen(url) html = response.read() charset = chardet.detect(html) html = html.decode(str(charset["encoding"])) # 设置抓取到的html的编码方式 # 使用剖析器为html.parser soup = BeautifulSoup(html,'html.parser') # 获取到每一个class=hot-article-img的a节点 allList = soup.select('.hot-article-img') #遍历列表，获取有效信息 for news in allList: aaa = news.select('a') # 只选择长度大于0的结果 if len(aaa) > 0: # 文章链接 try:#如果抛出异常就代表为空 href = url + aaa[0]['href'] except Exception: href='' # 文章图片url try: imgurl = aaa[0].select('img')[0]['src'] except Exception: imgurl="" # 新闻标题 try: title = aaa[0]['title'] except Exception: title = "标题为空" print("标题",imgurl) print("==============================================================================================")
数据获取到了我们还要把数据存到数据库，只要存到我们的数据库里，数据库里有数据了，就可以做后面的数据分析处理，也可以用这些爬取来的文章，给app提供新闻api接口，当然这都是后话了
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。
