抓取网页新闻(Python正则抓取网易新闻的方法结合实例形式较为详细的分析 )
优采云 发布时间: 2022-01-14 18:05抓取网页新闻(Python正则抓取网易新闻的方法结合实例形式较为详细的分析
)
本文文章主要介绍Python中定时抓取网易新闻的方法,并详细分析使用Python使用正则表达式抓取网易新闻的实现技巧和注意事项。有需要的朋友可以参考以下
本文示例介绍了Python定时抓取网易新闻的方法。分享给大家参考,详情如下:
自己写了一些爬网易新闻的爬虫,发现它的网页源码和网页上的评论一点都不正确,于是用抓包工具获取了它的评论隐藏地址(各个浏览器有自己的抓包工具可以用来分析网站)
如果你仔细看,你会发现有一个特别的,那么这就是你想要的
然后打开链接找到相关的评论内容。 (下图为第一页内容)
接下来是代码(也是按照大神改写的)。
#coding=utf-8import urllib2import reimport jsonimport timeclass WY(): def __init__(self): self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/534.24 (KHTML, like '} self.url='http://comment.news.163.com/data/news3_bbs/df/B9IBDHEH000146BE_1.html' def getpage(self,page): full_url='http://comment.news.163.com/cache/newlist/news3_bbs/B9IBDHEH000146BE_'+str(page)+'.html' return full_url def gethtml(self,page): try: req=urllib2.Request(page,None,self.headers) response = urllib2.urlopen(req) html = response.read() return html except urllib2.URLError,e: if hasattr(e,'reason'): print u"连接失败",e.reason return None #处理字符串 def Process(self,data,page): if page == 1: data=data.replace('var replyData=','') else: data=data.replace('var newPostList=','') reg1=re.compile(" \[<a href=''>") data=reg1.sub(' ',data) reg2=re.compile('\]') data=reg2.sub('',data) reg3=re.compile('
') data=reg3.sub('',data) return data #解析json def dealJSON(self): with open("WY.txt","a") as file: file.write('ID'+'|'+'评论'+'|'+'踩'+'|'+'顶'+'\n本文来源gaodai$ma#com搞$代*码6网') for i in range(1,12): if i == 1: data=self.gethtml(self.url) data=self.Process(data,i)[:-1] value=json.loads(data) file=open('WY.txt','a') for item in value['hotPosts']: try: file.write(item['1']['f'].encode('utf-8')+'|') file.write(item['1']['b'].encode('utf-8')+'|') file.write(item['1']['a'].encode('utf-8')+'|') file.write(item['1']['v'].encode('utf-8')+'\n') except: continue file.close() print '--正在采集%d/12--'%i time.sleep(5) else: page=self.getpage(i) data = self.gethtml(page) data = self.Process(data,i)[:-2] # print data value=json.loads(data) # print value file=open('WY.txt','a') for item in value['newPosts']: try: file.write(item['1']['f'].encode('utf-8')+'|') file.write(item['1']['b'].encode('utf-8')+'|') file.write(item['1']['a'].encode('utf-8')+'|') file.write(item['1']['v'].encode('utf-8')+'\n') except: continue file.close() print '--正在采集%d/12--'%i time.sleep(5)if __name__ == '__main__': WY().dealJSON()