2017/06/06 第一次爬取數(shù)據(jù)

簡單爬取松花江新聞網(wǎng)新聞[http://www.shjnet.cn/ms/msxw/]

1炕贵、先分析網(wǎng)頁的源碼查看要爬取的內(nèi)容在什么位置
2阅嘶、分析html取到想要的內(nèi)容


1燃辖、 查看源碼

image.png
發(fā)現(xiàn)我們要的數(shù)據(jù)在<h4 標(biāo)簽下

2师崎、通過編碼通過requests獲取網(wǎng)頁源碼

html = requests.get(url).content

然后通過BeautifulSoup找到我們想要的標(biāo)簽

links = soup.find_all('h4', class_='blank')

這樣就爬取到新聞列表的數(shù)據(jù)

3瓜浸、接下來通過列表爬取到的url去獲取詳情的內(nèi)容拂酣,方法同上面一樣


直接貼源碼:

#!/usr/bin/env python
# coding:utf8
import sys

import requests
from bs4 import BeautifulSoup

reload(sys)
sys.setdefaultencoding("utf8")

url = 'http://www.shjnet.cn/ms/msxw/index.html'


def getNewsList(url, page=0):
    if (page != 0):
        url = 'http://www.shjnet.cn/ms/msxw/index_%s.html' % page
    html = requests.get(url).content
    soup = BeautifulSoup(html, 'lxml')
    links = soup.find_all('h4', class_='blank')
    for link in links:
        detailUrl = "http://www.shjnet.cn/ms/msxw/" + link.a.get('href').replace('./', '')
        print "-------------------------"
        print "新聞標(biāo)題:" + link.a.get_text() + "  詳情地址:" + detailUrl
        getNewsDetail(detailUrl)
    page = int(page) + 1
    print soup.select('#pagenav_%s' % page)
    if (soup.select('#pagenav_%s' % page)):
        print u'開始抓取下一頁'
        print 'the %s page' % page
        getNewsList(url, page)


def getNewsDetail(detailUrl):
    html = requests.get(detailUrl).content
    soup = BeautifulSoup(html, 'lxml')
    links = soup.find_all('div', class_='col-md-9')
    for link in links:
        # print link.span.get_text()
        # print link.h2.get_text()
        # print link.find('div', class_='cas_content').get_text()
        if (link.find('div', class_='col-md-10').select('img')):
            imgs = link.find('div', class_='col-md-10').find_all('img')
            for img in imgs:
                print "圖片:" + detailUrl[:detailUrl.rfind('/')] + "/" + img.get('src').replace('./', '')


if __name__ == '__main__':
    getNewsList(url)

效果:


image.png

本文使用的python為2.7
爬取中遇見的問題
  • 打印 html = requests.get(url).text亂碼
    咨詢了小分隊(duì)群里的同學(xué)們秋冰,得到解答。
    .text返回的是Unicode型數(shù)據(jù)婶熬。
    .content 返回的是bytes型也就是二進(jìn)制的數(shù)據(jù)
    然后把html = requests.get(url).content解決亂碼問題
  • 拼接詳情url時(shí)剑勾,去掉./ 多余的字符串
    link.a.get('href').replace('./', '')
  • 獲取詳情內(nèi)容時(shí)報(bào)錯(cuò)

image.png

原因是需要添加http://開頭

  • 第一次使用BeautifulSoup 查看了向右老大的簡書了解使用方法
find_all("tag") 搜索當(dāng)前所有的tag標(biāo)簽的集合埃撵。
find("tag") 返回的是一個(gè)tag標(biāo)簽。(這個(gè)方法用得少)
select("") 可以按標(biāo)簽名查找虽另,用得多的是按標(biāo)簽逐層查找篩選元素暂刘。
獲取 >內(nèi)容< 內(nèi)容使用.get_text()
獲取<href 內(nèi)容 > 內(nèi)容使用.get('href')

目前暫時(shí)在控制臺打印內(nèi)容 ?
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市捂刺,隨后出現(xiàn)的幾起案子谣拣,更是在濱河造成了極大的恐慌,老刑警劉巖族展,帶你破解...
    沈念sama閱讀 222,729評論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件森缠,死亡現(xiàn)場離奇詭異,居然都是意外死亡仪缸,警方通過查閱死者的電腦和手機(jī)贵涵,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,226評論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來恰画,“玉大人宾茂,你說我怎么就攤上這事∷┗梗” “怎么了跨晴?”我有些...
    開封第一講書人閱讀 169,461評論 0 362
  • 文/不壞的土叔 我叫張陵,是天一觀的道長自沧。 經(jīng)常有香客問我坟奥,道長,這世上最難降的妖魔是什么拇厢? 我笑而不...
    開封第一講書人閱讀 60,135評論 1 300
  • 正文 為了忘掉前任爱谁,我火速辦了婚禮,結(jié)果婚禮上孝偎,老公的妹妹穿的比我還像新娘访敌。我一直安慰自己,他們只是感情好衣盾,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,130評論 6 398
  • 文/花漫 我一把揭開白布寺旺。 她就那樣靜靜地躺著,像睡著了一般势决。 火紅的嫁衣襯著肌膚如雪阻塑。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,736評論 1 312
  • 那天果复,我揣著相機(jī)與錄音陈莽,去河邊找鬼。 笑死,一個(gè)胖子當(dāng)著我的面吹牛走搁,可吹牛的內(nèi)容都是我干的独柑。 我是一名探鬼主播,決...
    沈念sama閱讀 41,179評論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼私植,長吁一口氣:“原來是場噩夢啊……” “哼忌栅!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起曲稼,我...
    開封第一講書人閱讀 40,124評論 0 277
  • 序言:老撾萬榮一對情侶失蹤索绪,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后躯肌,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體者春,經(jīng)...
    沈念sama閱讀 46,657評論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,723評論 3 342
  • 正文 我和宋清朗相戀三年清女,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片晰筛。...
    茶點(diǎn)故事閱讀 40,872評論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡嫡丙,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出读第,到底是詐尸還是另有隱情曙博,我是刑警寧澤,帶...
    沈念sama閱讀 36,533評論 5 351
  • 正文 年R本政府宣布怜瞒,位于F島的核電站父泳,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏吴汪。R本人自食惡果不足惜惠窄,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,213評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望漾橙。 院中可真熱鬧杆融,春花似錦、人聲如沸霜运。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,700評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽淘捡。三九已至藕各,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間焦除,已是汗流浹背激况。 一陣腳步聲響...
    開封第一講書人閱讀 33,819評論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人誉碴。 一個(gè)月前我還...
    沈念sama閱讀 49,304評論 3 379
  • 正文 我出身青樓宦棺,卻偏偏與公主長得像,于是被迫代替她去往敵國和親黔帕。 傳聞我的和親對象是個(gè)殘疾皇子代咸,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,876評論 2 361

推薦閱讀更多精彩內(nèi)容