Python写网络爬虫爬取腾讯新闻内容

最近学了一段时间的Python，想写个爬虫，去网上找了找，然后参考了一下自己写了一个爬取给定页面的爬虫。

Python的第三方库特别强大，提供了两个比较强大的库，一个requests, 另外一个BeautifulSoup，这两个库目前只是会用，其他的还不太了解，网上给了一个BeautifulSoup文档的链接，特别方便，不会的直接查(中文版的)，还有一个关于requests的。

在使用这些第三方库之前要导入

import requests
from bs4 import BeautifulSoup

写这个爬虫首先要获得该网页的html代码，然后用BeautifulSoup库进行解析，然后再分析一下腾讯新闻的html结构

这个是获取网页的html，为了方便使用，将它封装成一个函数

def getHTMLText(url):
    try:
        r = requests.get(url, timeout = 30)
        r.raise_for_status()
        #r.encoding = 'utf-8'
        return r.text
    except:
        return ""

其中，raise_for_status()方法在非成功时产生一个异常，即只要返回的请求代码状态status_code不是200，就产生一个异常

现在分析一下腾讯新闻的html结构

在chrome浏览器下，直接进去新闻之后，右键题目检查就可以定位到题目所在的html代码，如下图

然后会看到<h1>标签内，它的上一级标签是div，并且class="hd"，BeautifulSoup提供了一个CSS选择器，直接调用select方法即可，具体怎么用请查看文档，文档部分如图：

所以代码就可以写

def getContent(url):
    html = getHTMLText(url)
    # print(html)
    soup = BeautifulSoup(html, "html.parser")
    title = soup.select("div.hd > h1")
    print(title[0].get_text())
    time = soup.select("div.a_Info > span.a_time")
    print(time[0].string)
    author = soup.select("div.qq_articleFt > div.qq_toolWrap > div.qq_editor")
    print(author[0].get_text())
    paras = soup.select("div.Cnt-Main-Article-QQ > p.text")
    for para in paras:
        if len(para) > 0:
            print(para.get_text())
            print()

其中select返回的是一个列表，所以打印的时候要有下标元素，由于段落是有多个段，所以要用for循环把他们依次取出来

关于select的用法，还是文档讲的比较详细

完整代码如下（爬取http://news.qq.com/a/20170504/012032.htm网页新闻，并保存到文件中）

#此代码主要是从给定腾讯新闻网页中爬取新闻的题目，时间，正文，作者
import requests
from bs4 import BeautifulSoup
def getHTMLText(url):
    try:
        r = requests.get(url, timeout = 30)
        r.raise_for_status()
        #r.encoding = 'utf-8'
        return r.text
    except:
        return ""
def getContent(url):
    html = getHTMLText(url)
    # print(html)
    soup = BeautifulSoup(html, "html.parser")
    title = soup.select("div.hd > h1")
    print(title[0].get_text())
    time = soup.select("div.a_Info > span.a_time")
    print(time[0].string)
    author = soup.select("div.qq_articleFt > div.qq_toolWrap > div.qq_editor")
    print(author[0].get_text())
    paras = soup.select("div.Cnt-Main-Article-QQ > p.text")
    for para in paras:
        if len(para) > 0:
            print(para.get_text())
            print()
    #写入文件
    fo = open("text.txt", "w+")
    fo.writelines(title[0].get_text() + "\n")
    fo.writelines(time[0].get_text() + "\n")
    for para in paras:
        if len(para) > 0:
            fo.writelines(para.get_text() + "\n\n")
    fo.writelines(author[0].get_text() + '\n')
    fo.close()
    #将爬取到的文章用字典格式来存
    article = {
        'Title' : title[0].get_text(),
        'Time' : time[0].get_text(),
        'Paragraph' : paras,
        'Author' : author[0].get_text()
    }
    print(article)
def main():
    url = "http://news.qq.com/a/20170504/012032.htm"
    getContent(url);
main()