此文屬于入門級級別的爬蟲，老司機(jī)們就不用看了。

本次主要是爬取網(wǎng)易新聞，包括新聞標(biāo)題、作者、來源、發(fā)布時間、新聞?wù)摹?/p>

首先我們打開163的網(wǎng)站，我們隨意選擇一個分類，這里我選的分類是國內(nèi)新聞。然后鼠標(biāo)右鍵點擊查看源代碼，發(fā)現(xiàn)源代碼中并沒有頁面正中的新聞列表。這說明此網(wǎng)頁采用的是異步的方式。也就是通過api接口獲取的數(shù)據(jù)。

那么確認(rèn)了之后可以使用F12打開谷歌瀏覽器的控制臺，點擊 Network，我們一直往下拉，發(fā)現(xiàn)右側(cè)出現(xiàn)了："… special/00804KVA/cm_guonei_03.js? … "之類的地址，點開Response發(fā)現(xiàn)正是我們要找的api接口。

可以看到這些接口的地址都有一定的規(guī)律：“cm_guonei_03.js”、“cm_guonei_04.js”，那么就很明顯了：

http://temp.163.com/special/00804KVA/cm_guonei_0(*).js

上面的鏈接也就是我們本次抓取所要請求的地址。

接下來只需要用到的python的兩個庫：

1.requests

2.json

3.BeautifulSoup

requests庫就是用來進(jìn)行網(wǎng)絡(luò)請求的，說白了就是模擬瀏覽器來獲取資源。

由于我們采集的是api接口，它的格式為json，所以要用到j(luò)son庫來解析。BeautifulSoup是用來解析html文檔的，可以很方便的幫我們獲取指定div的內(nèi)容。

下面開始編寫我們爬蟲：

第一步先導(dǎo)入以上三個包：

接著我們定義一個獲取指定頁碼內(nèi)數(shù)據(jù)的方法：

這樣子就得到每個頁碼對應(yīng)的內(nèi)容列表：

之后通過分析數(shù)據(jù)可知下圖圈出來的則是需要抓取的標(biāo)題、發(fā)布時間以及新聞內(nèi)容頁面。

既然現(xiàn)在已經(jīng)獲取到了內(nèi)容頁的url，那么接下來開始抓取新聞?wù)摹?/p>

在抓取正文之前要先分析一下正文的html頁面，找到正文、作者、來源在html文檔中的位置。

我們看到文章來源在文檔中的位置為：id = “ne_article_source” 的 a 標(biāo)簽。

作者位置為：class = “ep-editor” 的 span 標(biāo)簽。

正文位置為：class = “post_text” 的 div 標(biāo)簽。

下面采集這三個內(nèi)容的代碼：

到此為止我們所要抓取的所有數(shù)據(jù)都已經(jīng)采集了。

那么接下來當(dāng)然是把它們保存下來，為了方便我直接采取文本的形式來保存。下面是最終的結(jié)果：

格式為json字符串，“標(biāo)題” ： [ ‘日期’， ‘url’， ‘來源’， ‘作者’， ‘正文’ ]。

要注意的是目前實現(xiàn)的方式是完全同步的，線性的方式，存在的問題就是采集會非常慢。主要延遲是在網(wǎng)絡(luò)IO上，下次可以升級為異步IO，異步采集，有興趣的可以關(guān)注下次的文章。