Python学习笔记（七）—爬取网易今日热点新闻及导出Excel。

一个爬取网易国内今日热点新闻的小脚本。

需要用到requests、BeautifulSoup、Pandas（用于处理数据和导出Excel）

网易国内新闻url：http://news.163.com/domestic/

get url获得response，requests对象，BeautifulSoup提取出对象。

# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
import pandas #最后整理数据、导出Excel时会用到。

urllist = 'http://news.163.com/domestic/'
res = requests.get(urllist)
print(res.encoding)
soup = BeautifulSoup(res.text,'html.parser')
print(type(soup))
print(type(res))

一开始，也试着res.encoding = 'utf-8’,但是发现会导致中文字符乱码，后面也就没改了。

打印出res的编码类型，以及soup和res的对象类型。

 

 从这个soup中可以获得今日热点新闻的title和url，查询标签后，使用select('.today_news li a')得到：

for i in soup.select('.today_news li a'):
    title = i.text
    url = i['href']
    #print(i)
    print(title)
    print(url)

结果是这样的：

 

 接下来就是获取文章内文的内容、时间、来源、以及编辑

 

newsurl = 'http://news.163.com/18/0117/01/D8AK1K7D0001875P.html'
response = requests.get(newsurl)
soup = BeautifulSoup(response.text,'html.parser')
title = soup.select('.post_content_main h1')[0].text
article = []
for p in soup.select('.post_text p'):
    article.append(p.text.strip())
s = soup.select('.post_time_source')[0].text.strip()#时间来源等在class=post_time_source
time = s.split('\u3000来源')[0]#将s分片，分别取得时间、来源
news_source = s.split('\u3000来源:')[1]
editor = soup.select('.ep-editor')[0].text.split('：')[1]#以：（冒号）来分片，取得编辑名称

已编辑来举例，select得到的是一个这样的数据，一个list，里面有标签等等信息。

所以需要对他进行处理才能得到想要的数据。

 

到这里主要的就基本没了，将列表里的URL分别传入第二段代码就可以获得想要的信息。

但是会很乱，下面再整理一下，把他们搞成函数，就清晰多了。

首先是获取文章具体内容的：

def getNewsDetail(url):
    result = {}
    response = requests.get(url)
    soup = BeautifulSoup(response.text,'html.parser')
    result['title'] = soup.select('.post_content_main h1')[0].text
    s = soup.select('.post_time_source')[0].text.strip()#时间来源等在class=post_time_source
    result['news_source'] = s.split('\u3000来源:')[1]
    result['time'] = s.split('\u3000来源')[0]#将s分片，分别取得时间、来源
    article = []
    for p in soup.select('.post_text p'):
        article.append(p.text.strip())
    result['article'] = article
    result['editor'] = soup.select('.ep-editor')[0].text.split('：')[1]#以：（冒号）来分片，取得编辑名称
    return result

传入一个URL尝试一下。http://news.163.com/18/0117/01/D8AK1K7D0001875P.html

得到了想要的信息，隔壁老王很厉害。

其次就是获取今日热点新闻的链接列表了。

def getUrlList ():
    list_url = []
    url1 = 'http://news.163.com/domestic/'
    res = requests.get(url1)
    soup = BeautifulSoup(res.text,'html.parser')
    for i in soup.select('.today_news li a'):
        title = i.text
        list_url.append(i['href'])
    return list_url

执行试下：

 

 最后，来个启动函数start()，把这个url列表传入 getNewsDetail()：

def start ():
    news_details = []
    for i in getUrlList():
        news_details.append(getNewsDetail(i))#将列表中的url分别传入getNewsDetail()
    return news_details
print(start())

输入start()，就可以执行了，但，得到的数据虽正确，却很难看。。。

 

 所以，我在这里又引入了pandas模块。整理后，在jupyter运行得到这样的结果。这就清晰多了。

接下来，就是将得到的数据，导出到Excel。

#导出Excel文件 news
df = pandas.DataFrame(start())
df.head(5)
df.to_excel('news163.xlsx')
print('ok')#完成后的提示。

然后查看文档路径：

打开表格：

完成。

除此以外，也可以导出html/sql等等多种文件

不过，一些时间等格式要调整，要引入datetime等模块，来处理问题。

下图是爬取新浪新闻时，生成的sqlite文件。就是这样的一个数据库。