Python でのクローラーの練習: 今日の Toutiao クローラー
今日の情報化時代では、インターネットには大量のデータが含まれており、このデータを分析や応用に使用する需要はますます高まっています。データ収集を達成するための技術的手段の 1 つとして、クローラは人気のある研究分野の 1 つでもあります。この記事では主に Python の実際のクローラーを紹介し、Python を使用して Toutiao のクローラー プログラムを作成する方法に焦点を当てます。
Python でのクローラーの実際の実践を紹介し始める前に、まずクローラーの基本概念を理解する必要があります。
簡単に言うと、クローラーはコードを通じてブラウザーの動作をシミュレートし、Web サイトから必要なデータを取得します。具体的なプロセスは次のとおりです。
Python クローラーを開発する場合、多くの一般的に使用されるライブラリが利用可能です。より一般的に使用されるライブラリの一部は次のとおりです:
今日の Toutiao は非常に人気のある情報 Web サイトであり、大量のニュース、エンターテイメント、テクノロジー、その他の情報コンテンツが含まれています。このコンテンツは、単純な Python クローラー プログラムを作成することで取得できます。
開始する前に、まずリクエストと BeautifulSoup4 ライブラリをインストールする必要があります。インストール方法は次のとおりです。
pip install requests pip install beautifulsoup4
Toutiao ホームページの情報を取得します。
まず、Toutiao ホームページの HTML コードを取得する必要があります。
import requests url = "https://www.toutiao.com/" # 发送HTTP GET请求 response = requests.get(url) # 打印响应结果 print(response.text)
プログラムを実行すると、Toutiao ホームページの HTML コードが表示されます。
ニュース リストの取得:
次に、HTML コードからニュース リスト情報を抽出する必要があります。解析には BeautifulSoup ライブラリを使用できます。
import requests from bs4 import BeautifulSoup url = "https://www.toutiao.com/" # 发送HTTP GET请求 response = requests.get(url) # 创建BeautifulSoup对象 soup = BeautifulSoup(response.text, "lxml") # 查找所有class属性为title的div标签,返回一个列表 title_divs = soup.find_all("div", attrs={"class": "title"}) # 遍历列表,输出每个div标签的文本内容和链接地址 for title_div in title_divs: title = title_div.find("a").text.strip() link = "https://www.toutiao.com" + title_div.find("a")["href"] print(title, link)
プログラムを実行すると、今日の頭条ホームページのニュースリストが、各ニュースのタイトルとリンクアドレスを含めて出力されます。
ニュースの詳細を取得:
最後に、各ニュースの詳細情報を取得できます。
import requests from bs4 import BeautifulSoup url = "https://www.toutiao.com/a6931101094905454111/" # 发送HTTP GET请求 response = requests.get(url) # 创建BeautifulSoup对象 soup = BeautifulSoup(response.text, "lxml") # 获取新闻标题 title = soup.find("h1", attrs={"class": "article-title"}).text.strip() # 获取新闻正文 content_list = soup.find("div", attrs={"class": "article-content"}) # 将正文内容转换为一个字符串 content = "".join([str(x) for x in content_list.contents]) # 获取新闻的发布时间 time = soup.find("time").text.strip() # 打印新闻的标题、正文和时间信息 print(title) print(time) print(content)
プログラムを実行すると、ニュースのタイトル、本文、時刻情報が出力されます。
この記事の導入部を通じて、Python のクローラーの基本概念、一般的に使用されるライブラリ、Python を使用して Toutiao を作成する方法について学びました。クローラープログラム。もちろん、クローラ技術は継続的な改良・改良が必要な技術であり、クローラプログラムの安定性を確保し、クローリング防止手法を回避する方法を実践的に継続的にまとめ、改善していく必要があります。
以上がPython での実践的なクローラー戦闘: Toutiao クローラーの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。