Python爬虫——爬取某网站新闻
文章目录
- 前言
- 一、基本目标
- 二、使用步骤
-
- 整体代码
- 结果
- 总结
前言
随机找了个网站爬爬，我们的目标是
1.利用爬虫的re、xpath等知识，爬取到这个官网上的新闻，内容有：新闻标题, 发布时间, 新闻链接, 阅读次数, 新闻来源五个属性。
2.把我们爬到的数据放到一个csv的文件中！
那么我们下面开始！
提示：爬虫不可用作违法活动，爬取时要设定休眠时间，不可过度爬取，造成服务器宕机，需付法律责任！！！
一、基本目标
我们的目标是爬取这个https://www.cqwu.edu.cn/channel_23133_0310.html网址的新闻数据
二、使用步骤
整体代码
import re
import time
import requests
from lxml import etree
import csv
# 带爬网址
base_url = "https://www.cqwu.edu.cn/channel_23133_0310.html"
# 反反爬
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/102.0.0.0 Safari/537.36",
"Accept-Encoding": "gzip, deflate, br",
"Accept-Language": "zh-CN,zh;q=0.9"
}
# 爬取信息
resp = requests.get(url=base_url,headers=headers)
# 把信息通过etree进行赋值
html = etree.HTML(resp.text)
# xpath定位新闻列表信息
news_list = html.xpath("/html/body/div/div[3]/div/div/div[2]/div/ul/li")
data_list = []
# 对新闻列表循环遍历
for news in news_list:
# 获取新闻链接
news_url = news.xpath("./a/@href")[0]
# 继续爬取新闻的详情页
news_resp = requests.get(url=news_url)
# 把详情页html信息赋值
news_html = etree.HTML(news_resp.text)
# xpath定位新闻详情页的标题
news_title = news_html.xpath("/html/body/div/div[3]/div[1]/div/div[2]/div/div/h4/text()")[0]
# re正则获取日期和引用来源
time_refer_obj = re.compile(r'.*?发布时间：(?P', re.S)
result = time_refer_obj.finditer(news_resp.text)
for it in result:
# 对日期和引用进行赋值
news_time = it.group("time")
news_refer = it.group("refer").strip()
# re正则获取浏览量数据
count_obj = re.compile(r"浏览：