Python写爬虫-爬甘农大学校新闻

来源：互联网发布：teamview linux无桌面编辑：程序博客网时间：2024/06/12 01:14

Python写网络爬虫(一)

关于Python:

学过C. 学过C++. 最后还是学Java来吃饭.

一直在Java的小世界里混迹.

有句话说: “Life is short, you need Python!” 翻译过来就是: 人生苦短, 我用Python

究竟它有多么强大, 多么简洁?

抱着这个好奇心, 趁不忙的几天. 还是忍不住的小学了一下.(- - 其实学了还不到两天)

随便用一个"HelloWorld"的例子

//Javaclass Main{public static void main(String[] args){String str = "HelloWorld!";System.out.println(str);}}

#Pythonstr = 'HelloWorld'print str

乍一看Python确实很爽! 简明了断节省时间

至于效率. 我相信不管是任何语言, 作为开发者重要是的还是思维的精简!

也有人说: "Python一时爽, 重构火葬场"

但是Python的应用场景那么多. 根据自己的需要来选择, 相信那么多前辈没错.

Python的确是一门值得学习的课程.

关于网络爬虫:

这个东西我也也不懂... 随便抓个解释, 淡淡的理解下

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

真正的复杂而强大的爬虫有很多爬行算法和策略.

我写的这个例子简直是简之又简.

Python基础还没学完, 就迫不及待的想做个东西来看看

于是就想到了写个网络爬虫. 来小小的练习一下

我的母校是甘肃农大. 我会经常看学校新闻, 于是就试着爬个学校新闻, 没事的时候拿出来看看

因为学的甚少...这个爬虫的功能还是非常简单. 就是把学校官网中最新的新闻下载下来, 保存成网页. 想看多少页都可以.

这里我就抓了最新的前4页新闻

第一次写爬虫. 一个很简单的功能, 我把它分了3步:

第一步: 先爬一条新闻, 把它下载保存!

第二部: 把这一页的所有新闻都爬下来, 下载保存!

第三部: 把x页的所有新闻爬下来, 下载保存!

网页爬虫很重要的一点就是分析网页元素.

第一步: 先来爬一个url的内容

#crawler: 甘肃农业大学新闻网板块的->学校新闻.#爬这个页面的第一篇新闻#http://news.gsau.edu.cn/tzgg1/xxxw33.htm#coding:utf-8import urllibstr = '<a class="c43092" href="../info/1037/30577.htm" target="_blank" title="双联行动水泉乡克那村工作组赴联系村开展精准扶贫相关工作">双联行动水泉乡克那村工作组赴联系村开展精准扶贫相关工作</a>'hrefBeg = str.find('href=')hrefEnd = str.find('.htm', hrefBeg)href = str[hrefBeg+6: hrefEnd+4]print hrefhref = href[3:]print hreftitleBeg = str.find(r'title=')titleEnd = str.find(r'>', titleBeg)title = str[titleBeg+7: titleEnd-1]print titleurl = 'http://news.gsau.edu.cn/' + href print 'url: '+urlcontent = urllib.urlopen(url).read()#print contentfilename = title + '.html'#将抓取的页面content写入filename保存本地目录中open(filename, 'w').write(content)

这个里面不用分析太多网页元素. 就字符串拼阿截阿就好了.

第二步: 爬取本页面的所有新闻, 每页23篇

这个时候就要小小的分析下, 这23个url, 每个url怎么找?

这里可以先锁定一个元素, 进行查找. 再就是注意每次find时的规律, 其实就是查找的顺序起始

这里我把每个url都保存在一个数组中, 检索完成后, 对数组里的url进行下载.

#crawler甘肃农业大学新闻网板块的->学校新闻.#http://news.gsau.edu.cn/tzgg1/xxxw33.htm#<a class="c43092" href="../info/1037/30567.htm" target="_blank" title="双联行动水泉乡克那村工作组赴联系村开展精准扶贫相关工作">双联行动水泉乡克那村工作组赴联系村开展精准扶贫相关工作</a>#coding:utf-8import urllibimport timeimport stat, ospageSize = 23articleList = urllib.urlopen('http://news.gsau.edu.cn/tzgg1/xxxw33.htm').read()urlList = [' ']*pageSize#锁定class="c43092"hrefClass = articleList.find('class="c43092"')hrefBeg = articleList.find(r'href=', hrefClass)hrefEnd = articleList.find(r'.htm', hrefBeg)href=articleList[hrefBeg+6: hrefEnd+4][3:]print href#url = 'http://news.gsau.edu.cn/' + href #print 'url: '+urli = 0while href!=-1 and i<pageSize:    urlList[i] = 'http://news.gsau.edu.cn/' + href        hrefClass = articleList.find('class="c43092"', hrefEnd)    hrefBeg = articleList.find(r'href=', hrefClass)    hrefEnd = articleList.find(r'.htm', hrefBeg)    href=articleList[hrefBeg+6: hrefEnd+4][3:]    print urlList[i]    i = i+1else:    print r'本页所有URL已爬完!!!'#将本页每一篇新闻下载到本地(已新闻标题文件名存储)#title: <HTML><HEAD><TITLE>酒泉市市长都伟来校对接校地合作事宜-新闻网</TITLE>j = 0while j<pageSize:    content = urllib.urlopen(urlList[j]).read()    titleBeg = content.find(r'<TITLE>')    titleEnd = content.find(r'</TITLE>', titleBeg)    title = content[titleBeg+7: titleEnd]    print title    print urlList[j]+r'正在下载...'    time.sleep(1)    open(r'GsauNews' + os.path.sep + title.decode('utf-8').encode('gbk')+'.html', 'w+').write(content)    j = j + 1else:    print r'当页全部url下载完毕!'

第三步: 爬取N个页面的所有新闻

这里要爬取N个页面, 首先就要分析你要爬取的是最新的, 而不能是固定的某几页

所以要分析下分页的数据, 正好主页最下面也给出了分页数据, 直接用它!

看下最近几页的url:

#http://news.gsau.edu.cn/tzgg1/xxxw33.htm        第一页#http://news.gsau.edu.cn/tzgg1/xxxw33/221.htm    第二页#http://news.gsau.edu.cn/tzgg1/xxxw33/220.htm    第三页#http://news.gsau.edu.cn/tzgg1/xxxw33/219.htm    第四页

对比分页数据, 很容易发现规律, 就是: fenyeCount-pageNo+1

这里很烦的一点是不知道为什么, 除了第一页以外的其他页, 都会有不是本页而是前一页的一部分网页数据会掺进来. 导致我找了半天

做了很多判断才检索出来

#crawler甘肃农业大学新闻网板块的->学校新闻.#coding:utf-8import urllibimport timeimport stat, ospageCount = 4pageSize = 23pageNo = 1urlList = [' ']*pageSize*pageCount#分析分页的网页元素#<td width="1%" align="left" id="fanye43092" nowrap="">共5084条  1/222 </td>indexContent = urllib.urlopen('http://news.gsau.edu.cn/tzgg1/xxxw33.htm').read()fenyeId = indexContent.find('id="fanye43092"') #这里锁定分页的id进行查找fenyeBeg = indexContent.find('1/', fenyeId)fenyeEnd = indexContent.find(' ', fenyeBeg)fenyeCount = int(indexContent[fenyeBeg+2: fenyeEnd])i = 0while pageNo <= pageCount:    if pageNo==1:        articleUrl = 'http://news.gsau.edu.cn/tzgg1/xxxw33.htm'    else:        articleUrl = 'http://news.gsau.edu.cn/tzgg1/xxxw33/'+ str(fenyeCount-pageNo+1) + '.htm'    print r'--------共爬取'+ str(pageCount) + '页  当前第' + str(pageNo) + '页  URL:' + articleUrl    articleList = urllib.urlopen(articleUrl).read()        while i<pageSize*pageNo:        if pageNo == 1:            #i = 0,23,46...时,从头找, 其余从上一个url结束位置开找            if i == pageSize*(pageNo-1):                hrefId = articleList.find('id="line43092_0"')            else:                hrefId = articleList.find('class="c43092"', hrefEnd)           else:            if i == pageSize*(pageNo-1):                hrefId = articleList.find('id="lineimg43092_16"')            else:                hrefId = articleList.find('class="c43092"', hrefEnd)                        hrefBeg = articleList.find(r'href=', hrefId)        hrefEnd = articleList.find(r'.htm', hrefBeg)        if pageNo == 1:            href=articleList[hrefBeg+6: hrefEnd+4][3:]        else:            href=articleList[hrefBeg+6: hrefEnd+4][6:]        urlList[i] = 'http://news.gsau.edu.cn/' + href            print urlList[i]        i = i+1    else:        print r'========第'+str(pageNo)+'页url提取完成!!!'        pageNo = pageNo + 1print r'============所有url提取完成!!!============'+'\n'*3print r'==========开始下载到本地==========='j = 0while j < pageCount * pageSize:    content = urllib.urlopen(urlList[j]).read()    titleBeg = content.find(r'<TITLE>')    titleEnd = content.find(r'</TITLE>', titleBeg)    title = content[titleBeg+7: titleEnd]    print title    print urlList[j]+r'正在下载...'+'\n'    time.sleep(1)    open(r'GsauNews' + os.path.sep + title.decode('utf-8').encode('gbk')+'.html', 'w+').write(content)    j = j + 1else:    print r'下载完成, 共下载'+str(pageCount)+'页, '+str(pageCount*pageSize)+'篇新闻'

这就爬完了....

看下爬完的效果

==================== RESTART: D:\python\CSDNCrawler03.py ====================--------共爬取4页  当前第1页  URL:http://news.gsau.edu.cn/tzgg1/xxxw33.htmhttp://news.gsau.edu.cn/info/1037/30596.htmhttp://news.gsau.edu.cn/info/1037/30595.htmhttp://news.gsau.edu.cn/info/1037/30593.htmhttp://news.gsau.edu.cn/info/1037/30591.htmhttp://news.gsau.edu.cn/info/1037/30584.htmhttp://news.gsau.edu.cn/info/1037/30583.htmhttp://news.gsau.edu.cn/info/1037/30580.htmhttp://news.gsau.edu.cn/info/1037/30577.htmhttp://news.gsau.edu.cn/info/1037/30574.htmhttp://news.gsau.edu.cn/info/1037/30573.htmhttp://news.gsau.edu.cn/info/1037/30571.htmhttp://news.gsau.edu.cn/info/1037/30569.htmhttp://news.gsau.edu.cn/info/1037/30567.htmhttp://news.gsau.edu.cn/info/1037/30566.htmhttp://news.gsau.edu.cn/info/1037/30565.htmhttp://news.gsau.edu.cn/info/1037/30559.htmhttp://news.gsau.edu.cn/info/1037/30558.htmhttp://news.gsau.edu.cn/info/1037/30557.htmhttp://news.gsau.edu.cn/info/1037/30555.htmhttp://news.gsau.edu.cn/info/1037/30554.htmhttp://news.gsau.edu.cn/info/1037/30546.htmhttp://news.gsau.edu.cn/info/1037/30542.htmhttp://news.gsau.edu.cn/info/1037/30540.htm========第1页url提取完成!!!--------共爬取4页  当前第2页  URL:http://news.gsau.edu.cn/tzgg1/xxxw33/221.htmhttp://news.gsau.edu.cn/info/1037/30536.htmhttp://news.gsau.edu.cn/info/1037/30534.htmhttp://news.gsau.edu.cn/info/1037/30528.htmhttp://news.gsau.edu.cn/info/1037/30525.htmhttp://news.gsau.edu.cn/info/1037/30527.htmhttp://news.gsau.edu.cn/info/1037/30524.htmhttp://news.gsau.edu.cn/info/1037/30520.htmhttp://news.gsau.edu.cn/info/1037/30519.htmhttp://news.gsau.edu.cn/info/1037/30515.htmhttp://news.gsau.edu.cn/info/1037/30508.htmhttp://news.gsau.edu.cn/info/1037/30507.htmhttp://news.gsau.edu.cn/info/1037/30506.htmhttp://news.gsau.edu.cn/info/1037/30505.htmhttp://news.gsau.edu.cn/info/1037/30501.htmhttp://news.gsau.edu.cn/info/1037/30498.htmhttp://news.gsau.edu.cn/info/1037/30495.htmhttp://news.gsau.edu.cn/info/1037/30493.htmhttp://news.gsau.edu.cn/info/1037/30482.htmhttp://news.gsau.edu.cn/info/1037/30480.htmhttp://news.gsau.edu.cn/info/1037/30472.htmhttp://news.gsau.edu.cn/info/1037/30471.htmhttp://news.gsau.edu.cn/info/1037/30470.htmhttp://news.gsau.edu.cn/info/1037/30469.htm========第2页url提取完成!!!--------共爬取4页  当前第3页  URL:http://news.gsau.edu.cn/tzgg1/xxxw33/220.htmhttp://news.gsau.edu.cn/info/1037/30468.htmhttp://news.gsau.edu.cn/info/1037/30467.htmhttp://news.gsau.edu.cn/info/1037/30466.htmhttp://news.gsau.edu.cn/info/1037/30465.htmhttp://news.gsau.edu.cn/info/1037/30461.htmhttp://news.gsau.edu.cn/info/1037/30457.htmhttp://news.gsau.edu.cn/info/1037/30452.htmhttp://news.gsau.edu.cn/info/1037/30450.htmhttp://news.gsau.edu.cn/info/1037/30449.htmhttp://news.gsau.edu.cn/info/1037/30441.htmhttp://news.gsau.edu.cn/info/1037/30437.htmhttp://news.gsau.edu.cn/info/1037/30429.htmhttp://news.gsau.edu.cn/info/1037/30422.htmhttp://news.gsau.edu.cn/info/1037/30408.htmhttp://news.gsau.edu.cn/info/1037/30397.htmhttp://news.gsau.edu.cn/info/1037/30396.htmhttp://news.gsau.edu.cn/info/1037/30394.htmhttp://news.gsau.edu.cn/info/1037/30392.htmhttp://news.gsau.edu.cn/info/1037/30390.htmhttp://news.gsau.edu.cn/info/1037/30386.htmhttp://news.gsau.edu.cn/info/1037/30385.htmhttp://news.gsau.edu.cn/info/1037/30376.htmhttp://news.gsau.edu.cn/info/1037/30374.htm========第3页url提取完成!!!--------共爬取4页  当前第4页  URL:http://news.gsau.edu.cn/tzgg1/xxxw33/219.htmhttp://news.gsau.edu.cn/info/1037/30370.htmhttp://news.gsau.edu.cn/info/1037/30369.htmhttp://news.gsau.edu.cn/info/1037/30355.htmhttp://news.gsau.edu.cn/info/1037/30345.htmhttp://news.gsau.edu.cn/info/1037/30343.htmhttp://news.gsau.edu.cn/info/1037/30342.htmhttp://news.gsau.edu.cn/info/1037/30340.htmhttp://news.gsau.edu.cn/info/1037/30339.htmhttp://news.gsau.edu.cn/info/1037/30335.htmhttp://news.gsau.edu.cn/info/1037/30333.htmhttp://news.gsau.edu.cn/info/1037/30331.htmhttp://news.gsau.edu.cn/info/1037/30324.htmhttp://news.gsau.edu.cn/info/1037/30312.htmhttp://news.gsau.edu.cn/info/1037/30311.htmhttp://news.gsau.edu.cn/info/1037/30302.htmhttp://news.gsau.edu.cn/info/1037/30301.htmhttp://news.gsau.edu.cn/info/1037/30298.htmhttp://news.gsau.edu.cn/info/1037/30294.htmhttp://news.gsau.edu.cn/info/1037/30293.htmhttp://news.gsau.edu.cn/info/1037/30289.htmhttp://news.gsau.edu.cn/info/1037/30287.htmhttp://news.gsau.edu.cn/info/1037/30286.htmhttp://news.gsau.edu.cn/info/1037/30279.htm========第4页url提取完成!!!============所有url提取完成!!!======================开始下载到本地===========甘肃爽口源生态科技股份有限公司来校洽谈校企合作-新闻网http://news.gsau.edu.cn/info/1037/30596.htm正在下载...我校第二届辅导员职业能力大赛圆满落幕-新闻网http://news.gsau.edu.cn/info/1037/30595.htm正在下载...双联行动周家山村工作组开展精准扶贫工作-新闻网http://news.gsau.edu.cn/info/1037/30593.htm正在下载...新疆生产建设兵团来校举办专场校园招聘会-新闻网http://news.gsau.edu.cn/info/1037/30591.htm正在下载...【图片新闻】桃李吐新叶   羲园醉春风-新闻网http://news.gsau.edu.cn/info/1037/30584.htm正在下载...甘农师生爱心救助白血病学生张渭-新闻网http://news.gsau.edu.cn/info/1037/30583.htm正在下载...副校长赵兴绪带队赴新庄村开展精准扶贫相关工作-新闻网http://news.gsau.edu.cn/info/1037/30580.htm正在下载...双联行动红庄村工作组开展精准扶贫工作-新闻网http://news.gsau.edu.cn/info/1037/30577.htm正在下载...校长吴建民带队赴广河县开展精准扶贫和双联工作-新闻网http://news.gsau.edu.cn/info/1037/30574.htm正在下载...动物医学院赴园子村开展精准扶贫相关工作-新闻网http://news.gsau.edu.cn/info/1037/30573.htm正在下载.............

一分多钟爬了90个网页.

当然代码还可以优化好多. 但是我Python基础实在薄弱.还是去恶补

还可以继续升级, 用正则, 匹配自己想要的内容,而不是像这样泛泛全保存下来.

可以在以后的学习中继续改进. 爬些更有意思的东西

做这个例子只是为了看看, 初学Python能为我做什么.

0 0