Python应用于爬虫领域业界已经相当的广泛了，今天就采用urllib + re 爬取下百度国内即时新闻。
软件环境：
Python : 3.6.0
PyCharm: Community 2017.2
Python 下载地址 https://www.python.org/downloads/
Pycharm 下载地址(Community是免费的) https://www.jetbrains.com/pycharm/download/#section=windows
主要思路：
采用urllib请求制定url，拿到网页的html，然后采用re进行正则匹配找到新闻标题
爬取过程：
1. 导入urllib 和 re 两个模块
|
1
2
3
|
import urllib
from urllib import request
import re
|
2. 采用urllib.request.urlopen 打开百度信息url,并取得所有html
|
1
2
3
|
url = "http://news.baidu.com/guonei"
response = urllib.request.urlopen(url)
html = response.read().decode('utf-8')
|
urllib.urlopen()方法用于打开一个url地址。
read()方法用于读取URL上的数据，并把整个页面下载下来。
3. 在Chrome中按F12可以查看到网页的源代码，可以看到新闻位于 div id="instant-news"下面
4. 获取即时信息的整个div的html并存储到变量: instant_news_html
|
1
2
|
pattern_of_instant_news = re.compile('<div id="instant-news.*?</div>',re.S)
instant_news_html = re.findall(pattern_of_instant_news, html)[0]
|
5. 从全部news的html中匹配出每一个新闻标题
|
1
2
3
4
|
pattern_of_news = re.compile('<li><a.*?>(.*?)</a></li>', re.S)
news_list = re.findall(pattern_of_news, instant_news_html)
for news in news_list:
print(news)
|
将会看到如入结果
完整源代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
import urllib
from urllib import request
import re
url = "http://news.baidu.com/guonei"
response = urllib.request.urlopen(url)
html = response.read().decode('utf-8')
pattern_of_instant_news = re.compile('<div id="instant-news.*?</div>',re.S)
instant_news_html = re.findall(pattern_of_instant_news, html)[0]
pattern_of_news = re.compile('<li><a.*?>(.*?)</a></li>', re.S)
news_list = re.findall(pattern_of_news, instant_news_html)
for news in news_list:
print(news)
|
本文转自 yuanzhitang 51CTO博客，原文链接：http://blog.51cto.com/yuanzhitang/2057777，如需转载请自行联系原作者