Python爬虫:新浪新闻详情页的数据抓取(函数版)

时间:2022-08-15 06:16:01

上一篇文章《Python爬虫:抓取新浪新闻数据》详细解说了如何抓取新浪新闻详情页的相关数据,但代码的构建不利于后续扩展,每次抓取新的详情页时都需要重新写一遍,因此,我们需要将其整理成函数,方便直接调用。

详情页抓取的6个数据:新闻标题、评论数、时间、来源、正文、责任编辑。

首先,我们先将评论数整理成函数形式表示:

 import requests
 import json
 import re

 comments_url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20'

 def getCommentsCount(newsURL):
     ID = re.search('doc-i(.+).shtml', newsURL)
     newsID = ID.group(1)
     commentsURL = requests.get(comments_url.format(newsID))
     commentsTotal = json.loads(commentsURL.text.strip('var data='))
     return commentsTotal['result']['count']['total']

 news = 'http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml'
 print(getCommentsCount(news))

第5行comments_url,在上一篇中,我们知道评论链接中有新闻ID,不同新闻的评论数通过该新闻ID的变换而变换,因此我们将其格式化,新闻ID处用大括号{}来替代;

定义获取评论数的函数getCommentsCount,通过正则来查找匹配的新闻ID,然后将获取的新闻链接存储进变量commentsURL中,通过解码JS来得到最终的评论数commentsTotal;

然后,我们只需输入新的新闻链接,便可直接调用函数getCommentsCount来获取评论数。

最后,我们将需要抓取的6个数据均整理到一个函数getNewsDetail中。如下:

 from bs4 import BeautifulSoup
 import requests
 from datetime import datetime
 import json
 import re

 comments_url = 'http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20'

 def getCommentsCount(newsURL):
     ID = re.search('doc-i(.+).shtml', newsURL)
     newsID = ID.group(1)
     commentsURL = requests.get(comments_url.format(newsID))
     commentsTotal = json.loads(commentsURL.text.strip('var data='))
     return commentsTotal['result']['count']['total']

 # news = 'http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml'
 # print(getCommentsCount(news))

 def getNewsDetail(news_url):
     result = {}
     web_data = requests.get(news_url)
     web_data.encoding = 'utf-8'
     soup = BeautifulSoup(web_data.text,'lxml')
     result['title'] = soup.select('#artibodyTitle')[0].text
     result['comments'] = getCommentsCount(news_url)
     time = soup.select('.time-source')[0].contents[0].strip()
     result['dt'] = datetime.strptime(time,'%Y年%m月%d日%H:%M')
     result['source'] = soup.select('.time-source span span a')[0].text
     result['article'] = ' '.join([p.text.strip() for p in soup.select('#artibody p')[:-1]])
     result['editor'] = soup.select('.article-editor')[0].text.lstrip('责任编辑:')
     return result

 print(getNewsDetail('http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml'))

在函数getNewsDetail中,获取需要抓取的6个数据,放在result中:

  • result['title']是获取新闻标题;
  • resul['comments']是获取评论数,可以直接调用我们开头定义的评论数函数getCommentsCount;
  • result['dt']是获取时间; result['source']是获取来源;
  • result['article']是获取正文;
  • result['editor']是获取责任编辑。

而后输入自己想要获取数据的新闻链接,调用该函数即可。

部分运行结果:

{'title': '浙大附中开课教咏春 “教头”系叶问第三代弟子', 'comments': 618, 'dt': datetime.datetime(2017, 5, 14, 7, 22), 'source': '中国新闻网', 'article': '原标题:浙大附中开课教咏春 “教头”系叶问......来源:钱江晚报', 'editor': '张迪 '}

Mac,Python版本:3.6,PyCharm版本:2016.2

-----   End   -----

作者:杜王丹,微信公众号:杜王丹,互联网产品经理。

Python爬虫:新浪新闻详情页的数据抓取(函数版)