上一篇文章《Python爬蟲:抓取新浪新聞數據》詳細解說瞭如何抓取新浪新聞詳情頁的相關數據,但代碼的構建不利於後續擴展,每次抓取新的詳情頁時都需要重新寫一遍,因此,我們需要將其整理成函數,方便直接呼叫。
詳情頁抓取的6個資料:新聞標題、評論數、時間、來源、內文、責任編輯。
首先,我們先將評論數整理成函數形式表示:
1 import requests 2 import json 3 import re 4 5 comments_url = '{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20' 6 7 def getCommentsCount(newsURL): 8 ID = re.search('doc-i(.+).shtml', newsURL) 9 newsID = ID.group(1)10 commentsURL = requests.get(comments_url.format(newsID))11 commentsTotal = json.loads(commentsURL.text.strip('var data='))12 return commentsTotal['result']['count']['total']13 14 news = ''15 print(getCommentsCount(news))
第5行comments_url,在上一篇中,我們知道評論連結中有新聞ID,不同新聞的評論數透過該新聞ID的變換而變換,因此我們將其格式化,新聞ID處以大括號{}來替代;
#定義獲取評論數的函數getCommentsCount,透過正規尋找符合的新聞ID,然後將取得的新聞連結儲存進變數commentsURL中,透過解碼JS來得到最終的註解數commentsTotal;
然後,我們只需輸入新的新聞鏈接,便可直接呼叫函數getCommentsCount來取得評論數。
最後,我們將需要抓取的6個資料均整理到一個函數getNewsDetail中。如下:
1 from bs4 import BeautifulSoup 2 import requests 3 from datetime import datetime 4 import json 5 import re 6 7 comments_url = '{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20' 8 9 def getCommentsCount(newsURL):10 ID = re.search('doc-i(.+).shtml', newsURL)11 newsID = ID.group(1)12 commentsURL = requests.get(comments_url.format(newsID))13 commentsTotal = json.loads(commentsURL.text.strip('var data='))14 return commentsTotal['result']['count']['total']15 16 # news = 'http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml'17 # print(getCommentsCount(news))18 19 def getNewsDetail(news_url):20 result = {}21 web_data = requests.get(news_url)22 web_data.encoding = 'utf-8'23 soup = BeautifulSoup(web_data.text,'lxml')24 result['title'] = soup.select('#artibodyTitle')[0].text25 result['comments'] = getCommentsCount(news_url)26 time = soup.select('.time-source')[0].contents[0].strip()27 result['dt'] = datetime.strptime(time,'%Y年%m月%d日%H:%M')28 result['source'] = soup.select('.time-source span span a')[0].text29 result['article'] = ' '.join([p.text.strip() for p in soup.select('#artibody p')[:-1]])30 result['editor'] = soup.select('.article-editor')[0].text.lstrip('责任编辑:')31 return result32 33 print(getNewsDetail(''))
在函數getNewsDetail中,取得需要抓取的6個數據,放在result中:
result['title']是取得新聞標題;
resul['comments']是取得註解數,可以直接呼叫我們開頭定義的註解數函數getCommentsCount ;
result['dt']是獲取時間;result['source'] 是獲取來源;
result['article' ]是取得正文;
result['editor']是取得責任編輯。
而後輸入自己想要獲取數據的新聞鏈接,調用該函數即可。
部分運行結果:
{'title': '浙大附中開課教詠春「教頭」繫葉問第三代弟子', ' comments': 618, 'dt': datetime.datetime(2017, 5, 14, 7, 22), 'source': '中國新聞網', 'article': '原標題:浙大附中開課教詠春「教頭「系葉問......來源:錢江晚報', 'editor': '張迪'}
#以上是新浪新聞詳情頁的資料抓取實例的詳細內容。更多資訊請關注PHP中文網其他相關文章!