
文章插图
- 这个小爬虫我们用到的requests、re、lxml、json和pyMySQL在编写代码之前我们需要将他们导入进来.
import requestsfrom lxml import etreeimport pymysqlimport json
- 首先先选择一个浏览器头信息,这个可有可无,当然有了更好,存在它才能让我们的爬虫更像是从浏览器进入获取信息的 。
【搜狐新闻小爬虫,解析数据接口并插入mysql数据库】headers = { 'Connection': 'keep-alive', 'Upgrade-Insecure-Requests': '1', 'User-Agent': 'Mozilla/5.0 (windows NT 6.1; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/69.0.3497.100 Safari/537.36', 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8', 'Accept-Encoding': 'gzip, deflate', 'Accept-Language': 'zh-CN,zh;q=0.9',}
- 接下来就是分析数据接口了,这个可以使用浏览器按F12,切换到编辑者模式,从中分析出数据接口链接,这里我们直接给出数据接口 。
url = "http://v2.sohu.com/public-api/feed?scene=CHANNEL&sceneId=10&page=1&size=10"通过数据接口形式我们看到它有两个参数page和size,page=1表示第一页,size=10表示每页十条数据 。我们只需要改变page的数据就可以源源不断的获取数据了,当然获取数据要节制,不要给人家服务器造成太大压力 。
- 接下来直接请求网页链接获取链接返回的数据 。这里返回的是json字符串,我们需要对json字符串进行解析,这个时候json这个库就用到了 。
json_str = requests.get(url,headers= headers).text[{ "id": 357806424, "authorId": 557006, "authorName": "FX168", "authorPic": "//sucimg.itc.cn/avatarimg/34ca41ae9ad04be68072f8894d7124b7_1491542550231", "focus": "//5b0988e595225.cdn.sohucs.com/c_fill,w_600,h_300,g_faces/images/20191202/cc5eda06fba94b3fb7ed0c1c2faea9a6.jpeg", "picUrl": "//5b0988e595225.cdn.sohucs.com/c_fill,w_150,h_100,g_faces,q_70/images/20191202/cc5eda06fba94b3fb7ed0c1c2faea9a6.jpeg", "images": ["//5b0988e595225.cdn.sohucs.com/c_fill,w_150,h_100,g_faces,q_70/images/20191202/cc5eda06fba94b3fb7ed0c1c2faea9a6.jpeg", "//5b0988e595225.cdn.sohucs.com/c_fill,w_150,h_100,g_faces,q_70/images/20191202/df1ed938d9614cf690f87a58577ce07a.png"], "title": "?70年来首次,美国成石油净出口国!国际油价暴跌近5%,一切才刚刚开始?", "mobileTitle": "?70年来首次,美国成石油净出口国!国际油价暴跌近5%,一切才刚刚开始?", "tags": [{"id": 70694,"name": "沙特","channelId": 0,"channelName": null,"categoryId": 0,"categoryName": null,"config": null,"introduction": null,"secureScore": 100,"hotSpot": false }, {"id": 68937,"name": "美国","channelId": 0,"channelName": null,"categoryId": 0,"categoryName": null,"config": null,"introduction": null,"secureScore": 100,"hotSpot": false }, {"id": 68938,"name": "俄罗斯","channelId": 0,"channelName": null,"categoryId": 0,"categoryName": null,"config": null,"introduction": null,"secureScore": 100,"hotSpot": false }], "publicTime": 1575262702000, "channelId": 0, "channelName": null, "channelUrl": "", "categoryId": 0, "categoryName": null, "headImage": null, "cmsId": 0, "originalSource": "http://mp.weixin.qq.com/s?__biz=MjM5OTAwOTMyMA==&mid=2650280772&idx=1&sn=85dd7f58ab6b292fcff2d57a677a35dc", "outerLink": false, "otherId": 0, "passport": "fx168caijing@sohu.com", "personalPage": "http://mp.sohu.com/profile?xpt=ZngxNjhjYWlqaW5nQHNvaHUuY29t", "videoInfo": null, "type": 0, "cover": null, "tkd": null, "secureScore": 100}]
- 通过这个数据我们来提取我们自己需要的数据,比如标题,发布时间,当然如果想获取新闻正文,还需要进入到网址链接中取,在数据中我们看到网址链接在picUrl这个字段中 。搜狐的新闻链接是通过id与authorId拼接而成,针对上面的一条数据,这个新闻的正文链接便是
http://www.sohu.com/a/357806424_557006
- 通过之前的方式,我们再去请求这个网址获取新闻正文的html原页面,再将原页面通过lxml加工成元素结构,便可以直接获取数据啦!
推荐阅读
-
-
-
[抗疫]曾去哈尔滨并带父亲当地就医,辽宁新增1例新冠肺炎本土病例
-
[江岸区]谣言!网传西马路养老院120个老人全感染,经查不实
-
蹴鞠小子|恭喜詹皇,历史第一!新秀卡成交价直逼200万,商业影响力逆天了
-
沪深交易所|机构调研不妨学学沪深交易所 确保问出“真”公司
-
格隆汇APP|| 富瑞:上调阿里巴巴目标价至300港元 评级“买入”】,【大行评级
-
-
萨拉·奥雷戈|哥伦比亚网红模特,形似卡戴珊家族小妹,不知道是不是自己的错觉
-
『老左私房菜』分享大厨30年炒牛肉的经验,不老不柴嫩滑爽口,上桌抢着吃
-
执着的微笑很灿烂|抗疫态度却变散漫,会影响到全球疫情吗?,印度疫情加重
-
青年|德约科维奇达成历史性新成就,击中裁判出局,网友:不难理解
-
-
-
『国庆长假,带娃出游,出行攻略,出行』国庆带娃出游 这份攻略快收下
-
-
『X射线』无污染无公害!X射线成像揭示了一种天然灭蚊化合物的杀蚊机理
-
欧美明星|梅根“不爽被物化”怒离职,网友挖镜头打脸:做作!
-
多余的男友|两组3-0诞生100%会师,避开火箭爆冷狂胜56分,巨星受伤快船获利
-