python爬蟲---網頁爬蟲，圖片爬蟲，文章爬蟲，Python爬蟲爬取新聞網站新聞

年糕媽媽技術團隊發表於2019-01-04
Python爬蟲網頁網站

最近在學習Python，給自己找了一個任務，做網站文章的爬蟲小專案。

目標

  • 1，學習Python爬蟲
  • 2，爬取新聞網站新聞列表
  • 3，爬取圖片
  • 4，把爬取到的資料存在本地資料夾或者資料庫
  • 5，學會用pycharm的pip安裝Python需要用到的擴充套件包

一，首先看看Python是如何簡單的爬取網頁的

1，準備工作

專案用的BeautifulSoup4和chardet模組屬於三方擴充套件包，如果沒有請自行pip安裝，我是用pycharm來做的安裝，下面簡單講下用pycharm安裝chardet和BeautifulSoup4

  • 在pycharm的設定裡按照下圖的步驟操作

    ![Uploading 2_085587.png . . .]

  • 如下圖搜尋你要的擴充套件類庫，如我們這裡需要安裝chardet直接搜尋就行，然後點選install package, BeautifulSoup4做一樣的操作就行

2.png

  • 安裝成功後就會出現在在安裝列表中，到此就說明我們安裝網路爬蟲擴充套件庫成功

3.png

二，由淺入深，我們先抓取網頁

我們這裡以抓取簡書首頁為例：www.jianshu.com/

# 簡單的網路爬蟲
from urllib import request
import chardet

response = request.urlopen("http://www.jianshu.com/")
html = response.read()
charset = chardet.detect(html)# {'language': '', 'encoding': 'utf-8', 'confidence': 0.99}
html = html.decode(str(charset["encoding"]))  # 解碼
print(html)

複製程式碼

由於抓取的html文件比較長，這裡簡單貼出來一部分給大家看下

<!DOCTYPE html>
<!--[if IE 6]><html class="ie lt-ie8"><![endif]-->
<!--[if IE 7]><html class="ie lt-ie8"><![endif]-->
<!--[if IE 8]><html class="ie ie8"><![endif]-->
<!--[if IE 9]><html class="ie ie9"><![endif]-->
<!--[if !IE]><!--> <html> <!--<![endif]-->

<head>
  <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">

  <!-- Start of Baidu Transcode -->
  <meta http-equiv="Cache-Control" content="no-siteapp" />
  <meta http-equiv="Cache-Control" content="no-transform" />
  <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/">
  <!-- End of Baidu Transcode -->

    <meta name="description"  content="簡書是一個優質的創作社群，在這裡，你可以任性地創作，一篇短文、一張照片、一首詩、一幅畫……我們相信，每個人都是生活中的藝術家，有著無窮的創造力。">
    <meta name="keywords"  content="簡書,簡書官網,圖文編輯軟體,簡書下載,圖文創作,創作軟體,原創社群,小說,散文,寫作,閱讀">
..........後面省略一大堆
複製程式碼

這就是Python3的爬蟲簡單入門，是不是很簡單，建議大家多敲幾遍

三，Python3爬取網頁裡的圖片並把圖片儲存到本地資料夾

目標

  • 爬取百度貼吧裡的圖片
  • 把圖片儲存到本地，都是妹子圖片奧 不多說，直接上程式碼,程式碼裡的註釋很詳細。大家仔細閱讀註釋就可以理解了
import re
import urllib.request

#爬取網頁html
def getHtml(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    return html


html = getHtml("http://tieba.baidu.com/p/3205263090")
html = html.decode('UTF-8')

#獲取圖片連結的方法
def getImg(html):
    # 利用正規表示式匹配網頁裡的圖片地址
    reg = r'src="([.*\S]*\.jpg)" pic_ext="jpeg"'
    imgre=re.compile(reg)
    imglist=re.findall(imgre,html)
    return imglist

imgList=getImg(html)
imgCount=0
#for把獲取到的圖片都下載到本地pic資料夾裡，儲存之前先在本地建一個pic資料夾
for imgPath in imgList:
    f=open("../pic/"+str(imgCount)+".jpg",'wb')
    f.write((urllib.request.urlopen(imgPath)).read())
    f.close()
    imgCount+=1
print("全部抓取完成")

複製程式碼

迫不及待的看下都爬取到了些什麼美圖

4.png

就這麼輕易的爬取到了24個妹子的圖片。是不是很簡單。

四，Python3爬取新聞網站新聞列表

  • 這裡我們只爬取新聞標題，新聞url，新聞圖片連結。
  • 爬取到的資料目前只做展示，等我學完Python運算元據庫以後會把爬取到的資料儲存到資料庫。

到這裡稍微複雜點，就分佈給大家講解

  • 1 這裡我們需要先爬取到html網頁上面第一步有講怎麼抓取網頁
  • 2分析我們要抓取的html標籤

5.png
分析上圖我們要抓取的資訊再div中的a標籤和img標籤裡，所以我們要想的就是怎麼獲取到這些資訊

這裡就要用到我們匯入的BeautifulSoup4庫了，這裡的關鍵程式碼

# 使用剖析器為html.parser
soup = BeautifulSoup(html, 'html.parser')
# 獲取到每一個class=hot-article-img的a節點
allList = soup.select('.hot-article-img')
複製程式碼

上面程式碼獲取到的allList就是我們要獲取的新聞列表，抓取到的如下

[<div class="hot-article-img">
<a href="/article/211390.html" target="_blank">
![](https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214982.html" target="_blank" title="TFBOYS成員各自飛，商業價值天花板已現？">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/213703.html" target="_blank" title="買手店江湖">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214679.html" target="_blank" title="iPhone X正式告訴我們，手機和相機開始分道揚鑣">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214962.html" target="_blank" title="信用已被透支殆盡，樂視汽車或成賈躍亭棄子">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214867.html" target="_blank" title="別小看“搞笑諾貝爾獎”，要向好奇心致敬">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214954.html" target="_blank" title="10 年前改變世界的，可不止有 iPhone | 發車">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214908.html" target="_blank" title="感謝微博替我做主">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/215001.html" target="_blank" title="蘋果確認取消打賞抽成，但還有多少內容讓你覺得值得掏腰包？">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214969.html" target="_blank" title="中國音樂的“全面付費”時代即將到來？">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214964.html" target="_blank" title="百麗退市啟示錄：“一代鞋王”如何與新生代消費者漸行漸遠">
<!--視訊和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>]
複製程式碼

這裡資料是抓取到了，但是太亂了，並且還有很多不是我們想要的，下面就通過遍歷來提煉出我們的有效資訊

  • 3 提取有效資訊
#遍歷列表，獲取有效資訊
for news in allList:
    aaa = news.select('a')
    # 只選擇長度大於0的結果
    if len(aaa) > 0:
        # 文章連結
        try:#如果丟擲異常就代表為空
            href = url + aaa[0]['href']
        except Exception:
            href=''
        # 文章圖片url
        try:
            imgUrl = aaa[0].select('img')[0]['src']
        except Exception:
            imgUrl=""
        # 新聞標題
        try:
            title = aaa[0]['title']
        except Exception:
            title = "標題為空"
        print("標題",title,"\nurl：",href,"\n圖片地址：",imgUrl)
        print("==============================================================================================")
複製程式碼

這裡新增異常處理，主要是有的新聞可能沒有標題，沒有url或者圖片，如果不做異常處理，可能導致我們爬取的中斷。

過濾後的有效資訊

標題 標題為空 
url： https://www.huxiu.com/article/211390.html 
圖片地址： https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 TFBOYS成員各自飛，商業價值天花板已現？ 
url： https://www.huxiu.com/article/214982.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 買手店江湖 
url： https://www.huxiu.com/article/213703.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 iPhone X正式告訴我們，手機和相機開始分道揚鑣 
url： https://www.huxiu.com/article/214679.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 信用已被透支殆盡，樂視汽車或成賈躍亭棄子 
url： https://www.huxiu.com/article/214962.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 別小看“搞笑諾貝爾獎”，要向好奇心致敬 
url： https://www.huxiu.com/article/214867.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 10 年前改變世界的，可不止有 iPhone | 發車 
url： https://www.huxiu.com/article/214954.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 感謝微博替我做主 
url： https://www.huxiu.com/article/214908.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 蘋果確認取消打賞抽成，但還有多少內容讓你覺得值得掏腰包？ 
url： https://www.huxiu.com/article/215001.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 中國音樂的“全面付費”時代即將到來？ 
url： https://www.huxiu.com/article/214969.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 百麗退市啟示錄：“一代鞋王”如何與新生代消費者漸行漸遠 
url： https://www.huxiu.com/article/214964.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
複製程式碼

到這裡我們抓取新聞網站新聞資訊就大功告成了，下面貼出來完整程式碼

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"]))  # 設定抓取到的html的編碼方式

# 使用剖析器為html.parser
soup = BeautifulSoup(html, 'html.parser')
# 獲取到每一個class=hot-article-img的a節點
allList = soup.select('.hot-article-img')
#遍歷列表，獲取有效資訊
for news in allList:
    aaa = news.select('a')
    # 只選擇長度大於0的結果
    if len(aaa) > 0:
        # 文章連結
        try:#如果丟擲異常就代表為空
            href = url + aaa[0]['href']
        except Exception:
            href=''
        # 文章圖片url
        try:
            imgUrl = aaa[0].select('img')[0]['src']
        except Exception:
            imgUrl=""
        # 新聞標題
        try:
            title = aaa[0]['title']
        except Exception:
            title = "標題為空"
        print("標題",title,"\nurl：",href,"\n圖片地址：",imgUrl)
        print("==============================================================================================")
複製程式碼

資料獲取到了我們還要把資料存到資料庫，只要存到我們的資料庫裡，資料庫裡有資料了，就可以做後面的資料分析處理，也可以用這些爬取來的文章，給app提供新聞api介面，當然這都是後話了

by:年糕媽媽邱石

相關文章