©2016-2024 Matools All rights reserved,
粤ICP备17059708号
* 按 F12 进入到开发者工具；
* 点击 Network ；
* 刷新页面 ；（按F5）
* 找到 Doc ；
* 找到左边 Name 这一栏的第一个(需要爬去的链接90%的情况都是第一个)；
* 点击右边的 Headers ；
* 找到请求的URL和请求方式。
三、开始撰写第一只网络爬虫
1 import requests 2 res = requests.get('http://www.sina.com.cn/') 3
res.encoding ='utf-8' 4 print(res.text)
四、用BeautifulSoup4剖析网页元素
测试示例：
1 from bs4 import BeautifulSoup 2 html_sample = ' \ 3 <html> \ 4 <body> \ 5
<h1 id="title">Hello World</h1> \ 6 <a href="#" class="link">This is link1</a> \
7 <a href="# link2" class="link">This is link2</a> \ 8 </body> \ 9 </html>' 10
11 soup = BeautifulSoup(html_sample, 'lxml') 12 print(soup.text)
五、BeautifulSoup基础操作
使用select找出含有h1标签的元素
soup = BeautifulSoup(html_sample) header = soup.select('h1') print(header)
print(header[0]) print(header[0].text)
使用select找出含有a的标签
soup = BeautifulSoup(html_sample, 'lxml') alink = soup.select('a') print(alink)
for link in alink: print(link) print(link.txt)
使用select找出所有id为title的元素(id前面需要加#)
alink = soup.select('#title') print(alink)
六、观察如何抓取新浪新闻信息
关键在于寻找CSS定位
* Chrome开发人员工具(进入开发人员工具后，左上角点选元素观测，就可以看到了)
*
* Chrome寻找元素定位.png
* Firefox开发人员工具
* InfoLite(需FQ)
七、制作新浪新闻网络爬虫
抓取时间、标题、内容
内文资料信息说明图.png
获取新闻内文标题、时间、来源
其中涉及时间和字符串转换
from datetime import datetime // 字符串转时间 --- strptime dt =
datetime.strptime(timesource, '%Y年%m月%d日%H:%M') // 时间转字符串 --- strftime
dt.strftime(%Y-%m-%d)
整理新闻内文、获取编辑名称
整理新闻内文步骤：
1、抓取；
2、获取段落；
3、去掉最后一行的编辑者信息；
4、去掉空格；
5、将空格替换成 \n ，这里可以自行替换成各种其他形式；
最终简写为一句话。
抓取新闻评论数
解释：
评论是是通过JS代码传过来的；既然是JS，那么通过AJAX传过来的概率很高，于是点到 XHR中看，但是发现Response中没有出现总评论数 2 ；
然后就只能去 JS 里面了，地毯式搜索，找哪个Response里出现了总评论数 2 ，终于找到了。
找到链接和请求方式
今天补的截图，评论数实时增加，请不要觉得奇怪 ^_^
然后就可以撸码了。
解释：
var data={......} 看着很像是个 json 串，去掉 var data= ，使其变为 json 串。
可以看到， jd 串中就是评论的信息了。
回到Chrome开发工具中，浏览评论数量。
获取新闻标识符（新闻ID）
方式1：切割法
# 取得新闻编号 newsurl =
'http://news.sina.com.cn/o/2017-12-06/doc-ifypnyqi1126795.shtml' newsid = new
surl.split('/')[-1].rstrip('.shtml').lstrip('doc-i') newsid
方式2：正则表达式
import re m = re.search('doc-i(.*).shtml', newsurl) newsid = m.group(1) newsid
八、建立获取评论数函数
做一个总整理，把刚刚取得评论数的方法整理成一个函数。之后有新闻网页的链接丢进来，可以通过这个函式去取得它的总评论数。
九、建立新闻内文信息抽取函数
十、从列表链接中取出每篇新闻内容
如果 Doc 下面没有我们想要找的东西，那么就有理由怀疑，这个网页产生资料的方式，是通过非同步的方式产生的。因此需要去 XHR 和 JS 下面去找。
有时候会发现非同步方式的资料 XHR 下没有，而是在 JS 下面。这是因为这些资料会被 JS
的函式包装，Chrome的开发者工具认为这是JS文件，因此就放到了 JS 下面。
在 JS 中找到我们感兴趣的资料，然后点击 Preview 预览，如果确定是我们要找的，就可以去Headers 中查看 Request URL 和
Request Method 了。
一般 JS 中的第一个可能就是我们要找的，要特别留意第一个。
1、选择Network标签
2、点选JS
3、 找到页面链接page=2
处理分页链接
注意头尾，需要去掉头和尾，将其变成标准的 json 格式。
十一、建立剖析清单链接函数
将前面的步骤整理一下，封装到一个函式中。
def parseListLinks(url): newsdetails = [] res = requests.get(url) jd =
json.loads(res.text.lstrip('newsloadercallback()').rstrip(');')) for ent in jd[
'result']['data']: newsdetails.append(getNewsDetail(ent['url'])) return new
sdetails
十二、使用for循环产生多页链接
十三、批次抓取每页新闻内文
十四、 使用pandas整理数据
Python for Data Analysis
* 源于R
* Table-Like格式
* 提供高效能、简易使用的资料格式(Data Frame)让使用者可以快速操作及分析资料
十五、保存数据到数据库
持续战斗到这里，第一只网络爬虫终于完成。看着最终的结果，很有成就感啊！^_^
大家感兴趣的可以试一试，欢迎讨论交流~~~
如果觉得文章有用，请随手点赞，感谢大家的支持！
特别赠送： GitHub代码传送门
感谢大家耐心地阅读，如果能对大家有一点点帮助，欢迎点亮我的GitHub星标，谢谢~~~
源码可进群：125240963 即可获取什么大礼包
源码
热门工具 换一换