爬蟲基本介紹 && python3 爬蟲爬取網易新聞排行榜

爬蟲基本介紹

---

1. 什麼是爬蟲？

爬蟲是請求⽹網站並提取數據的⾃自動化程序

2. 爬蟲的基本流程

1. 發起請求
   經過HTTP庫向目標站點發起請求，即發送一個Request，請求能夠包含額外的headers等信息，等待服務器器響應。
2. 解析內容
   若是服務器能正常響應，會獲得一個Response，Response的內容便是所要獲取的頁面內容，類型可能有HTML，Json字符串，二進制數據（如圖片視頻）等類型。
3. 獲取響應內容
   獲得的內容多是HTML，能夠用正則表達式、網頁解析庫進行解析。多是Json，能夠直接轉爲Json對象解析，多是二進制數據，能夠作保存或者進一步的處理。
4. 保存數據
   保存形式多樣，能夠存爲文本，也能夠保存至數據庫，或者保存特定格式的文件。

3. 什麼是Request和Response?

• 瀏覽器就發送消息給該網址所在的服務器，這個過程叫作HTTP Request。
• 服務器收到瀏覽器發送的消息後，可以根據瀏覽器發送消息的內容，作相應處理，而後把消息回傳給瀏覽器。這個過程叫作HTTP Response。
• 瀏覽器收到服務器的Response信息後，會對信息進行相應處理，而後展現。

3.1 Request中包含什麼？

• 請求方式：主要有GET、POST兩種類型，另外還有HEAD、PUT、DELETE、OPTIONS等。
• 請求頭：包含請求時的頭部信息，如User-Agent、Host、Cookies等信息。
• 請求URL：URL全稱統一資源定位符，如一個網頁文檔、一張圖片、一個視頻等均可以用URL惟一來肯定。
• 請求體：請求時額外攜帶的數據如表單提交時的表單數據

3.2 Response中包含什麼？

• 響應狀態：有多種響應狀態，如200表明成功、301跳轉、404找不到頁面、502服務器錯誤
• 響應頭：如內容類型、內容長度、服務器信息、設置Cookie等等。
• 響應體：最主要的部分，包含了請求資源的內容，如網頁HTML、圖片二進制數據等。

4. 爬蟲能夠抓取怎樣的數據？

• 網頁文本：如HTML文檔、Json格式文本等。
• 圖片：獲取到的是二進制文件，保存爲圖片格式。
• 視頻：同爲二進制文件，保存爲視頻格式便可。
• 其它：只要是能請求到的，都能獲取。

5. 怎樣來解析？

• 直接處理
• Json解析
• 正則表達式
• BeautifulSoup
• PyQuery
• Xpath

6. 怎樣保存數據？

• 文本：純文本、Json、Xml等。
• 關係型數據庫：如MySQL、Oracle、SQL Server等具備結構化表結構形式存儲。
• 非關係型數據庫：如MongoDB、Redis等Key-Value形式存儲。
• 二進制文件：如圖片、視頻、音頻等直接保存成特定格式便可。

---

爬蟲爬取網易新聞排行榜。

---

1. 肯定目標

通過討論，分析，對比各個新聞門戶網站的排行榜，最終選取了內容正規、不良信息少、廣告少的網易新聞排行榜。每一個整點爬取一次，選取點擊率最高的前20條熱門新聞。即紅框所選內容。

2. 分析目標網頁

目標網頁：http://news.163.com/special/0001386F/rank_news.html
經過分析網頁源代碼得知，這個網頁排行榜並非經過JavaScript動態加載生成。因此網頁爬取後能夠直接處理，簡單利用BeautifulSoup + requests庫便可實現。

3. 實現過程

3.1 請求目標網頁並存儲網頁源文件

# 導入相應的包
from bs4 import BeautifulSoup
import requests
import re
import datetime
from connect_mysql import *
# 獲取當前時間並指定格式爲2018041018
time = datetime.datetime.now().strftime("%Y%m%d%H")
url = r'http://news.163.com/special/0001386F/rank_news.html'
# 模擬真實瀏覽器進行訪問
headers = {'User-Agent':
               'Mozilla/5.0 (Windows NT 10.0; WOW64) '
               'AppleWebKit/537.36 (KHTML, like Gecko) '
               'Chrome/55.0.2883.87 Safari/537.36'}
response = requests.get(url, headers=headers)
page_html = response.text

3.2 將獲取到的內容轉換成BeautifulSoup格式，並將html.parser做爲解析器

soup = BeautifulSoup(page_html, 'html.parser')

3.3 對soup進行分析處理

首先經過分析網站結構得知，咱們須要的數據在class = tabContents active的div下的全部a標籤中，而這個div又嵌套在class = area-half left的div中。因此咱們寫以下代碼，從網頁源代碼中找到全部符合要求的標題，限制20條。

titles = soup.find('div', 'area-half left').find('div', 'tabContents active').find_all('a', limit=20)

僅需一行代碼，咱們就已經獲取到了咱們須要的部分數據。接下來繼續獲取新的對咱們有用的數據，並存放到數據庫。

3.4 對3.3的結果進一步處理

因爲網頁標題顯示不全，因此上一步爬取的標題，部分不完整。因此咱們須要進一步爬取，步驟和上述幾個操做相似，爬取新聞連接，新聞內容，新聞完整標題。這三個內容，並調用本身寫的方法，將數據存放到數據庫。並用re庫對內容進行簡單處理(去除\n\t\r )，具體實現以下。

for title in titles:
    ''' news_url:新聞連接 news_html:新聞頁網頁源代碼 '''
    news_url = (str(title.get('href')))
    news_response = requests.get(news_url, headers=headers)
    news_html = news_response.text
    # 將獲取到的內容轉換成BeautifulSoup格式，並將html.parser做爲解析器
    news_soup = BeautifulSoup(news_html, 'html.parser')
    # 從網頁源代碼中找到屬於post_text類的div，並將全部p標籤內容存入列表news_contents
    if news_soup.find('div', 'post_text') is None:  # 若是網頁丟失,跳出本次循環
        continue
    news_title = news_soup.find('h1')
    contents = news_soup.find('div', 'post_text').find_all('p')
    news_contents = []
    for content in contents:
        if content.string is not None:
            #去掉特殊字符
            news_contents.append(re.sub('[\r\n\t ]', '', str(content.string)))
    #字符串拼接
    news_contents = ''.join(news_contents)
    # 將爬取到的數據存入數據庫
    insert_wangyinews_into_mysql(wangyi_news, str(news_title.string), news_url, news_contents, time)

這樣，一個簡單的爬蟲就完成了，不要小看這幾十行代碼，它們在本項目中發揮了巨大的做用。

本文所用開發環境：
anaconda 5.1
pycharm

本文第一部分是崔慶才老師的python3網絡爬蟲視頻教程的筆記：
課程連接：https://cuiqingcai.com/4320.html
崔老師的課程對我有很大的幫助，再次感謝。