Python如何爬取新闻资讯
发表于:2026-10-31 作者:千家信息网编辑
千家信息网最后更新 2026年10月31日,这篇文章主要为大家展示了"Python如何爬取新闻资讯",内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下"Python如何爬取新闻资讯"这篇文章吧。前言一个简单
千家信息网最后更新 2026年10月31日Python如何爬取新闻资讯
这篇文章主要为大家展示了"Python如何爬取新闻资讯",内容简而易懂,条理清晰,希望能够帮助大家解决疑惑,下面让小编带领大家一起研究并学习一下"Python如何爬取新闻资讯"这篇文章吧。
前言
一个简单的Python资讯采集案例,列表页到详情页,到数据保存,保存为txt文档,网站网页结构算是比较规整,简单清晰明了,资讯新闻内容的采集和保存!
资料就放在群文件里等你来拿
应用到的库
requests,time,re,UserAgent,etree
import requests,time,refrom fake_useragent import UserAgentfrom lxml import etree
列表页,链接xpath解析
href_list=req.xpath('//ul[@class="news-list"]/li/a/@href')详情页
内容xpath解析
h3=req.xpath('//div[@class="title-box"]/h3/text()')[0]author=req.xpath('//div[@class="title-box"]/span[@class="news-from"]/text()')[0]details=req.xpath('//div[@class="content-l detail"]/p/text()')内容格式化处理
detail='\n'.join(details)
标题格式化处理,替换非法字符
pattern = r"[\/\\\:\*\?\"\<\>\|]"new_title = re.sub(pattern, "_", title) # 替换为下划线
保存数据,保存为txt文本
def save(self,h3, author, detail): with open(f'{h3}.txt','w',encoding='utf-8') as f: f.write('%s%s%s%s%s'%(h3,'\n',detail,'\n',author)) print(f"保存{h3}.txt文本成功!")遍历数据采集,yield处理
def get_tasks(self): data_list = self.parse_home_list(self.url) for item in data_list: yield item
程序运行效果
附源码参考:
#研招网考研资讯采集#20200710 by微信:huguo00289# -*- coding: UTF-8 -*-import requests,time,refrom fake_useragent import UserAgentfrom lxml import etreeclass RandomHeaders(object): ua=UserAgent() @property def random_headers(self): return { 'User-Agent': self.ua.random, }class Spider(RandomHeaders): def __init__(self,url): self.url=url def parse_home_list(self,url): response=requests.get(url,headers=self.random_headers).content.decode('utf-8') req=etree.HTML(response) href_list=req.xpath('//ul[@class="news-list"]/li/a/@href') print(href_list) for href in href_list: item = self.parse_detail(f'https://yz.chsi.com.cn{href}') yield item def parse_detail(self,url): print(f">>正在爬取{url}") try: response = requests.get(url, headers=self.random_headers).content.decode('utf-8') time.sleep(2) except Exception as e: print(e.args) self.parse_detail(url) else: req = etree.HTML(response) try: h3=req.xpath('//div[@class="title-box"]/h3/text()')[0] h3=self.validate_title(h3) author=req.xpath('//div[@class="title-box"]/span[@class="news-from"]/text()')[0] details=req.xpath('//div[@class="content-l detail"]/p/text()') detail='\n'.join(details) print(h3, author, detail) self.save(h3, author, detail) return h3, author, detail except IndexError: print(">>>采集出错需延时,5s后重试..") time.sleep(5) self.parse_detail(url) @staticmethod def validate_title(title): pattern = r"[\/\\\:\*\?\"\<\>\|]" new_title = re.sub(pattern, "_", title) # 替换为下划线 return new_title def save(self,h3, author, detail): with open(f'{h3}.txt','w',encoding='utf-8') as f: f.write('%s%s%s%s%s'%(h3,'\n',detail,'\n',author)) print(f"保存{h3}.txt文本成功!") def get_tasks(self): data_list = self.parse_home_list(self.url) for item in data_list: yield itemif __name__=="__main__": url="https://yz.chsi.com.cn/kyzx/jyxd/" spider=Spider(url) for data in spider.get_tasks(): print(data)以上是"Python如何爬取新闻资讯"这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注行业资讯频道!
资讯
内容
新闻
数据
文本
篇文章
处理
成功
下划线
格式
详情
学习
帮助
规整
前言
字符
效果
数据采集
文件
文档
数据库的安全要保护哪些东西
数据库安全各自的含义是什么
生产安全数据库录入
数据库的安全性及管理
数据库安全策略包含哪些
海淀数据库安全审计系统
建立农村房屋安全信息数据库
易用的数据库客户端支持安全管理
连接数据库失败ssl安全错误
数据库的锁怎样保障安全
耶加雪菲
互联网科技股
南京欣网互联网络科技有限公司
深圳科技互联网
互联网医疗科技
宜安科技 互联网金融
万达互联网科技
伴你行互联网科技有限公司
苏州大垚互联网科技
互联网科技英文翻译
汉立互联网科技有限公司联系电话
济南和联互联网科技有限公司
西安小鹰速贷互联网科技有限公司
深圳市罗太互联网科技有限公司
互联网公司高科技产品
图游互联网科技
唐山双旺合互联网科技产业园
互联网领先科技成果宣传视频
科技互联网专业务虚会材料
承德科技产业互联网平台
江苏根荣互联网科技
互联网科技公司税收优惠
易互联网科技有限公司
南京欣网互联网科技
江苏南京365互联网科技
互联网科技公司有风险吗
中国互联网公司排名锤子科技
洛阳共同富裕互联网科技有限公司
区块链结合互联网科技
江苏互联网智能科技软件