抓取网页新闻(此文属于入门级级别的爬虫，老司机们就不用看了)

　　抓取网页新闻(此文属于入门级级别的爬虫，老司机们就不用看了)

　　本文属于入门级爬虫，老司机无需阅读。

　　这次主要是抓取网易新闻，包括新闻标题、作者、来源、发布时间、新闻正文。

　　首先我们打开163的网站，我们随意选择一个分类，这里我选择的分类是国内新闻。然后右键查看源码，发现源码中页面中间没有新闻列表。这说明这个页面是异步的。即通过api接口获取的数据。

　　然后确定后就可以用F12打开谷歌浏览器的控制台，点击Network，我们一直往下拉，发现右侧出现：“... special/00804KVA/cm_guonei_03.js? ...”等地址，点击Response发现就是我们要找的api接口。

　　可以看到这些接口的地址有一定的规律：“cm_guonei_03.js”、“cm_guonei_04.js”，那么就很明显了：

　　(*).js

　　上面的链接是我们这次抓取请求的地址。

　　接下来只需要两个python库：

　　1.请求

　　2.json

　　3.美汤

　　requests 库用于发出网络请求。说白了就是模拟浏览器获取资源。

　　由于我们的采集是一个api接口，它的格式是json，所以我们需要使用json库来解析。BeautifulSoup用于解析html文档，可以方便的帮助我们获取指定div的内容。

　　让我们开始编写我们的爬虫：

　　第一步是导入以上三个包：

　　然后我们定义一个方法来获取指定页码中的数据：

　　这样就得到了每个页码对应的内容列表：

　　对数据进行分析后，我们可以看到下图中圈出了需要爬取的标题、发布时间、新闻内容页面。

　　既然已经获取到内容页面的url，那么就开始爬取新闻正文。

　　在抓取文本之前，分析文本的html页面，找到文本、作者、来源在html文档中的位置。

　　我们看到文章的source在文档中的位置是：id = "ne_article_source"的标签。

　　作者的立场是：span标签，class="ep-editor"。

　　正文位置是：带有 class = "post_text" 的 div 标签。

　　下面采集这三个内容的代码：

　　到目前为止，我们要抓取的数据都是采集。

　　然后，当然，保存它们。为了方便起见，我直接以文本的形式保存它们。这是最终结果：

　　格式为json字符串，"title": ['date','url','source','author','body']。

　　需要说明的是，目前的实现方式是完全同步和线性的。问题是 采集 会很慢。主要延迟在网络IO，下次可以升级为异步IO，异步采集，有兴趣的可以关注下文章。