python爬蟲---網頁爬蟲，圖片爬蟲，文章爬蟲，Python爬蟲爬取新聞網站新聞

時間 2019-11-16

標籤 python 爬蟲網頁圖片文章網站欄目 Python 简体版

原文原文鏈接

零基礎入門Python，給本身找了一個任務，作網站文章的爬蟲小項目，由於實戰是學代碼的最快方式。因此從今天起開始寫Python實戰入門系列教程，也建議你們學Python時必定要多寫多練。html

目標

1，學習Python爬蟲
2，爬取新聞網站新聞列表
3，爬取圖片
4，把爬取到的數據存在本地文件夾或者數據庫
5，學會用pycharm的pip安裝Python須要用到的擴展包

一，首先看看Python是如何簡單的爬取網頁的

1，準備工做

項目用的BeautifulSoup4和chardet模塊屬於三方擴展包，若是沒有請自行pip安裝，我是用pycharm來作的安裝，下面簡單講下用pycharm安裝chardet和BeautifulSoup4html5

在pycharm的設置裏按照下圖的步驟操做正則表達式
以下圖搜索你要的擴展類庫，如咱們這裏須要安裝chardet直接搜索就行，而後點擊install package, BeautifulSoup4作同樣的操做就行數據庫

安裝成功後就會出如今在安裝列表中，到此就說明咱們安裝網絡爬蟲擴展庫成功

二，由淺入深，咱們先抓取網頁

咱們這裏以抓取簡書首頁爲例：www.jianshu.com/api

# 簡單的網絡爬蟲
from urllib import request
import chardet

response = request.urlopen("http://www.jianshu.com/")
html = response.read()
charset = chardet.detect(html)# {'language': '', 'encoding': 'utf-8', 'confidence': 0.99}
html = html.decode(str(charset["encoding"]))  # 解碼
print(html)

複製代碼

因爲抓取的html文檔比較長，這裏簡單貼出來一部分給你們看下bash

<!DOCTYPE html>
<!--[if IE 6]><html class="ie lt-ie8"><![endif]-->
<!--[if IE 7]><html class="ie lt-ie8"><![endif]-->
<!--[if IE 8]><html class="ie ie8"><![endif]-->
<!--[if IE 9]><html class="ie ie9"><![endif]-->
<!--[if !IE]><!--> <html> <!--<![endif]-->

<head>
  <meta charset="utf-8">
  <meta http-equiv="X-UA-Compatible" content="IE=Edge">
  <meta name="viewport" content="width=device-width, initial-scale=1.0,user-scalable=no">

  <!-- Start of Baidu Transcode -->
  <meta http-equiv="Cache-Control" content="no-siteapp" />
  <meta http-equiv="Cache-Control" content="no-transform" />
  <meta name="applicable-device" content="pc,mobile">
  <meta name="MobileOptimized" content="width"/>
  <meta name="HandheldFriendly" content="true"/>
  <meta name="mobile-agent" content="format=html5;url=http://localhost/">
  <!-- End of Baidu Transcode -->

    <meta name="description"  content="簡書是一個優質的創做社區，在這裏，你能夠任性地創做，一篇短文、一張照片、一首詩、一幅畫……咱們相信，每一個人都是生活中的藝術家，有着無窮的創造力。">
    <meta name="keywords"  content="簡書,簡書官網,圖文編輯軟件,簡書下載,圖文創做,創做軟件,原創社區,小說,散文,寫做,閱讀">
..........後面省略一大堆
複製代碼

這就是Python3的爬蟲簡單入門，是否是很簡單，建議你們多敲幾遍網絡

三，Python3爬取網頁裏的圖片並把圖片保存到本地文件夾

目標app

爬取百度貼吧裏的圖片
把圖片保存到本地，都是妹子圖片奧很少說，直接上代碼,代碼裏的註釋很詳細。你們仔細閱讀註釋就能夠理解了

import re
import urllib.request

#爬取網頁html
def getHtml(url):
    page = urllib.request.urlopen(url)
    html = page.read()
    return html


html = getHtml("http://tieba.baidu.com/p/3205263090")
html = html.decode('UTF-8')

#獲取圖片連接的方法
def getImg(html):
    # 利用正則表達式匹配網頁裏的圖片地址
    reg = r'src="([.*\S]*\.jpg)" pic_ext="jpeg"'
    imgre=re.compile(reg)
    imglist=re.findall(imgre,html)
    return imglist

imgList=getImg(html)
imgCount=0
#for把獲取到的圖片都下載到本地pic文件夾裏，保存以前先在本地建一個pic文件夾
for imgPath in imgList:
    f=open("../pic/"+str(imgCount)+".jpg",'wb')
    f.write((urllib.request.urlopen(imgPath)).read())
    f.close()
    imgCount+=1
print("所有抓取完成")

複製代碼

火燒眉毛的看下都爬取到了些什麼美圖ide

就這麼輕易的爬取到了24個妹子的圖片。是否是很簡單。學習

四，Python3爬取新聞網站新聞列表

這裏咱們只爬取新聞標題，新聞url，新聞圖片連接。
爬取到的數據目前只作展現，等我學完Python操做數據庫之後會把爬取到的數據保存到數據庫。

到這裏稍微複雜點，就分佈給你們講解

1 這裏咱們須要先爬取到html網頁上面第一步有講怎麼抓取網頁
2分析咱們要抓取的html標籤

分析上圖咱們要抓取的信息再div中的a標籤和img標籤裏，因此咱們要想的就是怎麼獲取到這些信息

這裏就要用到咱們導入的BeautifulSoup4庫了，這裏的關鍵代碼

# 使用剖析器爲html.parser
soup = BeautifulSoup(html, 'html.parser')
# 獲取到每個class=hot-article-img的a節點
allList = soup.select('.hot-article-img')
複製代碼

上面代碼獲取到的allList就是咱們要獲取的新聞列表，抓取到的以下

[<div class="hot-article-img">
<a href="/article/211390.html" target="_blank">
![](https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214982.html" target="_blank" title="TFBOYS成員各自飛，商業價值天花板已現？">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/213703.html" target="_blank" title="買手店江湖">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214679.html" target="_blank" title="iPhone X正式告訴咱們，手機和相機開始分道揚鑣">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214962.html" target="_blank" title="信用已被透支殆盡，樂視汽車或成賈躍亭棄子">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214867.html" target="_blank" title="別小看「搞笑諾貝爾獎」，要向好奇心致敬">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214954.html" target="_blank" title="10 年前改變世界的，可不止有 iPhone | 發車">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214908.html" target="_blank" title="感謝微博替我作主">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/215001.html" target="_blank" title="蘋果確認取消打賞抽成，但還有多少內容讓你以爲值得掏腰包？">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214969.html" target="_blank" title="中國音樂的「全面付費」時代即將到來？">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>, <div class="hot-article-img">
<a href="/article/214964.html" target="_blank" title="百麗退市啓示錄：「一代鞋王」如何與新生代消費者漸行漸遠">
<!--視頻和圖片保留一個-->
![](https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg)
</a>
</div>]
複製代碼

這裏數據是抓取到了，可是太亂了，而且還有不少不是咱們想要的，下面就經過遍從來提煉出咱們的有效信息

3 提取有效信息

#遍歷列表，獲取有效信息
for news in allList:
    aaa = news.select('a')
    # 只選擇長度大於0的結果
    if len(aaa) > 0:
        # 文章連接
        try:#若是拋出異常就表明爲空
            href = url + aaa[0]['href']
        except Exception:
            href=''
        # 文章圖片url
        try:
            imgUrl = aaa[0].select('img')[0]['src']
        except Exception:
            imgUrl=""
        # 新聞標題
        try:
            title = aaa[0]['title']
        except Exception:
            title = "標題爲空"
        print("標題",title,"\nurl：",href,"\n圖片地址：",imgUrl)
        print("==============================================================================================")
複製代碼

這裏添加異常處理，主要是有的新聞可能沒有標題，沒有url或者圖片，若是不作異常處理，可能致使咱們爬取的中斷。

過濾後的有效信息

標題 標題爲空 
url： https://www.huxiu.com/article/211390.html 
圖片地址： https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 TFBOYS成員各自飛，商業價值天花板已現？ 
url： https://www.huxiu.com/article/214982.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 買手店江湖 
url： https://www.huxiu.com/article/213703.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 iPhone X正式告訴咱們，手機和相機開始分道揚鑣 
url： https://www.huxiu.com/article/214679.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 信用已被透支殆盡，樂視汽車或成賈躍亭棄子 
url： https://www.huxiu.com/article/214962.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 別小看「搞笑諾貝爾獎」，要向好奇心致敬 
url： https://www.huxiu.com/article/214867.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 10 年前改變世界的，可不止有 iPhone | 發車 
url： https://www.huxiu.com/article/214954.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 感謝微博替我作主 
url： https://www.huxiu.com/article/214908.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 蘋果確認取消打賞抽成，但還有多少內容讓你以爲值得掏腰包？ 
url： https://www.huxiu.com/article/215001.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 中國音樂的「全面付費」時代即將到來？ 
url： https://www.huxiu.com/article/214969.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
標題 百麗退市啓示錄：「一代鞋王」如何與新生代消費者漸行漸遠 
url： https://www.huxiu.com/article/214964.html 
圖片地址： https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
複製代碼

到這裏咱們抓取新聞網站新聞信息就大功告成了，下面貼出來完整代碼

from bs4 import BeautifulSoup
from urllib import request
import chardet

url = "https://www.huxiu.com"
response = request.urlopen(url)
html = response.read()
charset = chardet.detect(html)
html = html.decode(str(charset["encoding"]))  # 設置抓取到的html的編碼方式

# 使用剖析器爲html.parser
soup = BeautifulSoup(html, 'html.parser')
# 獲取到每個class=hot-article-img的a節點
allList = soup.select('.hot-article-img')
#遍歷列表，獲取有效信息
for news in allList:
    aaa = news.select('a')
    # 只選擇長度大於0的結果
    if len(aaa) > 0:
        # 文章連接
        try:#若是拋出異常就表明爲空
            href = url + aaa[0]['href']
        except Exception:
            href=''
        # 文章圖片url
        try:
            imgUrl = aaa[0].select('img')[0]['src']
        except Exception:
            imgUrl=""
        # 新聞標題
        try:
            title = aaa[0]['title']
        except Exception:
            title = "標題爲空"
        print("標題",title,"\nurl：",href,"\n圖片地址：",imgUrl)
        print("==============================================================================================")
複製代碼