Python爬虫获取百度新闻-优快云博客

Python爬虫百度新闻

微笑的小小刀：

有梦想，爱技术。在城市中奋斗却向往着田园生活
有故事，有酒，来来来，与尔同销万古愁

本人博客 : www.lixiang.red

谢谢大家支持

总体步骤

python 环境准备
页面url分析
代码抓取

python 环境准备

pycharm
beautifulSoup
requests

页面url 分析

1487561491324.png

这是直接在页面上进行百度新闻搜索，要注意url 。

这里先在python中写一段测试代码：

url = "http://news.baidu.com/ns?word=%CE%A2%D0%A6%B5%C4%D0%A1%D0%A1%B5%B6&cl=2&rn=20"
r = requests.get(url)
html = r.text
soup = BeautifulSoup(html, 'html.parser')
div_items = soup.find_all('div', class_='tn-bxitem')

在div_items那行打个断点。运行到那里之后的效果：

1487561766140.png

我们将soup里面的value拷贝出来，这就是我们从百度上面抓取的东西，现在就是对他进行分析。

1487561867829.png

总行数有54313行，我们就是要从里面找到有用的信息。

可以看到，他是把css样式文件也放在里面了，我们先把<style>标签里面的东西删掉

1487563085891.png

然后再把js <script>的代码删掉，只保留html代码。

1487563291005.png

最后删完之后只剩下5241行了。虽然还是很多，但已经是比较少的了。

寻找有用信息

可以看到，结果被包涵在类名为 result的div里面，我们就要在程序里面把这个div取出来

1487571577529.png

在上述程序中加入代码：

soup = BeautifulSoup(html, 'html.parser')
# 取出结果div 
div_items = soup.find_all('div', class_='result')
print(div_items)

在print处打上断点可见：

正是我们需要的新闻，但还有细节需要提炼出来。可以注意到，我们需要的东西都在class="result"的div里面。

1487574102509.png

从h3 class="c-title"中取出标题，以及链接

添加代码：

# 取出结果div
div_items = soup.find_all('div', class_='result')

for div in div_items:
    # 取出title , 链接
    a_title = div.find('h3', class_='c-title').find('a').get_text()
    a_href = div.find('h3', class_='c-title').find('a').get('href')
    print(a_title)
    print(a_href)

在控制台上打印结果如下：

1487575841227.png

取出简介

  a_href = div.find('h3', class_='c-title').find('a').get('href')
    # 取出简介
    a_summary = div.find('div', class_='c-summary').get_text()

在控制如打印结果如下：

1487576938977.png

整理信息输出到文件

  # 取出简介
    a_summary = div.find('div', class_='c-summary').get_text()
    # 获取当前时间
    now = time.strftime('%Y-%m-%d', time.localtime(time.time()))
    # 输出到文件
    with open('news' + now + '.txt', 'a', encoding='utf-8') as file:
        file.write("标题: " + a_title + "\n")
        file.write("链接: " + a_href + "\n")
        file.write("简介: " + a_summary + "\n")

输出到文件的结果

1487578138979.png

代码整理

from bs4 import BeautifulSoup
import requests
import time


# 定义url
url = "http://news.baidu.com/ns?word=%CE%A2%D0%A6%B5%C4%D0%A1%D0%A1%B5%B6&cl=2&rn=20"
r = requests.get(url)
html = r.text
soup = BeautifulSoup(html, 'html.parser')
# 取出结果div
div_items = soup.find_all('div', class_='result')

for div in div_items:
    # 取出title , 链接
    a_title = div.find('h3', class_='c-title').find('a').get_text()
    a_href = div.find('h3', class_='c-title').find('a').get('href')
    # 取出简介
    a_summary = div.find('div', class_='c-summary').get_text()
    # 获取当前时间
    now = time.strftime('%Y-%m-%d', time.localtime(time.time()))
    with open('news' + now + '.txt', 'a', encoding='utf-8') as file:
        file.write("标题: " + a_title + "\n")
        file.write("链接: " + a_href + "\n")
        file.write("简介: " + a_summary + "\n")