爬虫基本介绍 && python3 爬虫爬取网易新闻排行榜

爬虫基本介绍

---

1. 什么是爬虫？

爬虫是请求⽹网站并提取数据的⾃自动化程序

2. 爬虫的基本流程

1. 发起请求
   经过HTTP库向目标站点发起请求，即发送一个Request，请求能够包含额外的headers等信息，等待服务器器响应。
2. 解析内容
   若是服务器能正常响应，会获得一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。
3. 获取响应内容
   获得的内容多是HTML，能够用正则表达式、网页解析库进行解析。多是Json，能够直接转为Json对象解析，多是二进制数据，能够作保存或者进一步的处理。
4. 保存数据
   保存形式多样，能够存为文本，也能够保存至数据库，或者保存特定格式的文件。

3. 什么是Request和Response?

• 浏览器就发送消息给该网址所在的服务器，这个过程叫作HTTP Request。
• 服务器收到浏览器发送的消息后，可以根据浏览器发送消息的内容，作相应处理，而后把消息回传给浏览器。这个过程叫作HTTP Response。
• 浏览器收到服务器的Response信息后，会对信息进行相应处理，而后展现。

3.1 Request中包含什么？

• 请求方式：主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。
• 请求头：包含请求时的头部信息，如User-Agent、Host、Cookies等信息。
• 请求URL：URL全称统一资源定位符，如一个网页文档、一张图片、一个视频等均可以用URL惟一来肯定。
• 请求体：请求时额外携带的数据如表单提交时的表单数据

3.2 Response中包含什么？

• 响应状态：有多种响应状态，如200表明成功、301跳转、404找不到页面、502服务器错误
• 响应头：如内容类型、内容长度、服务器信息、设置Cookie等等。
• 响应体：最主要的部分，包含了请求资源的内容，如网页HTML、图片二进制数据等。

4. 爬虫能够抓取怎样的数据？

• 网页文本：如HTML文档、Json格式文本等。
• 图片：获取到的是二进制文件，保存为图片格式。
• 视频：同为二进制文件，保存为视频格式便可。
• 其它：只要是能请求到的，都能获取。

5. 怎样来解析？

• 直接处理
• Json解析
• 正则表达式
• BeautifulSoup
• PyQuery
• Xpath

6. 怎样保存数据？

• 文本：纯文本、Json、Xml等。
• 关系型数据库：如MySQL、Oracle、SQL Server等具备结构化表结构形式存储。
• 非关系型数据库：如MongoDB、Redis等Key-Value形式存储。
• 二进制文件：如图片、视频、音频等直接保存成特定格式便可。

---

爬虫爬取网易新闻排行榜。

---

1. 肯定目标

通过讨论，分析，对比各个新闻门户网站的排行榜，最终选取了内容正规、不良信息少、广告少的网易新闻排行榜。每一个整点爬取一次，选取点击率最高的前20条热门新闻。即红框所选内容。

2. 分析目标网页

目标网页：http://news.163.com/special/0001386F/rank_news.html
经过分析网页源代码得知，这个网页排行榜并非经过JavaScript动态加载生成。因此网页爬取后能够直接处理，简单利用BeautifulSoup + requests库便可实现。

3. 实现过程

3.1 请求目标网页并存储网页源文件

# 导入相应的包
from bs4 import BeautifulSoup
import requests
import re
import datetime
from connect_mysql import *
# 获取当前时间并指定格式为2018041018
time = datetime.datetime.now().strftime("%Y%m%d%H")
url = r'http://news.163.com/special/0001386F/rank_news.html'
# 模拟真实浏览器进行访问
headers = {'User-Agent':
               'Mozilla/5.0 (Windows NT 10.0; WOW64) '
               'AppleWebKit/537.36 (KHTML, like Gecko) '
               'Chrome/55.0.2883.87 Safari/537.36'}
response = requests.get(url, headers=headers)
page_html = response.text

3.2 将获取到的内容转换成BeautifulSoup格式，并将html.parser做为解析器

soup = BeautifulSoup(page_html, 'html.parser')

3.3 对soup进行分析处理

首先经过分析网站结构得知，咱们须要的数据在class = tabContents active的div下的全部a标签中，而这个div又嵌套在class = area-half left的div中。因此咱们写以下代码，从网页源代码中找到全部符合要求的标题，限制20条。

titles = soup.find('div', 'area-half left').find('div', 'tabContents active').find_all('a', limit=20)

仅需一行代码，咱们就已经获取到了咱们须要的部分数据。接下来继续获取新的对咱们有用的数据，并存放到数据库。

3.4 对3.3的结果进一步处理

因为网页标题显示不全，因此上一步爬取的标题，部分不完整。因此咱们须要进一步爬取，步骤和上述几个操做相似，爬取新闻连接，新闻内容，新闻完整标题。这三个内容，并调用本身写的方法，将数据存放到数据库。并用re库对内容进行简单处理(去除\n\t\r )，具体实现以下。

for title in titles:
    ''' news_url:新闻连接 news_html:新闻页网页源代码 '''
    news_url = (str(title.get('href')))
    news_response = requests.get(news_url, headers=headers)
    news_html = news_response.text
    # 将获取到的内容转换成BeautifulSoup格式，并将html.parser做为解析器
    news_soup = BeautifulSoup(news_html, 'html.parser')
    # 从网页源代码中找到属于post_text类的div，并将全部p标签内容存入列表news_contents
    if news_soup.find('div', 'post_text') is None:  # 若是网页丢失,跳出本次循环
        continue
    news_title = news_soup.find('h1')
    contents = news_soup.find('div', 'post_text').find_all('p')
    news_contents = []
    for content in contents:
        if content.string is not None:
            #去掉特殊字符
            news_contents.append(re.sub('[\r\n\t ]', '', str(content.string)))
    #字符串拼接
    news_contents = ''.join(news_contents)
    # 将爬取到的数据存入数据库
    insert_wangyinews_into_mysql(wangyi_news, str(news_title.string), news_url, news_contents, time)

这样，一个简单的爬虫就完成了，不要小看这几十行代码，它们在本项目中发挥了巨大的做用。

本文所用开发环境：
anaconda 5.1
pycharm

本文第一部分是崔庆才老师的python3网络爬虫视频教程的笔记：
课程连接：https://cuiqingcai.com/4320.html
崔老师的课程对我有很大的帮助，再次感谢。