爬虫----爬取搜狐新闻时政类

一 、整体流程

爬取页面:https://www.sohu.com/c/8/1460?spm=smpc.news-home.top-subnav.2.1627024626549cMWiORW

 

 

获取url——爬取出版社及新闻名称及其超链接——解析数据——存储数据

二、分析

观察页面发现,搜狐新闻页面属于动态页面(动态页面也可采取selenium获取数据,效率比较慢)

打开network,XHR并没有想要的内容,所以得换个思路

 

network中杂七杂八的请求比较多,可以过滤掉便于查看可疑请求

 

 在ALL中发现该文件有需要的内容

分析一下url

 

 发现page每次变化

可以采用字符串拼接出来url

三、代码实现

import requests
import re

# 获取数据
def get_one_page(url):
    response = requests.get(url)
    return response.text

# 采用正则进行提取数据
def parse_one_page(data):
    result = re.findall(r'(\"title\":\".*?\").*?(\"authorName\":\".*?\").*?(\"originalSource\":\".*?\")', data)
    return result
# 写入数据
def write_to_file(content):
    with open('result.txt', 'a', encoding='utf-8') as f:
        f.write(content)

# 根据page获取数据
def main(page):
    url = "https://v2.sohu.com/public-api/feed?scene=CATEGORY&sceneId=1460&size=20&page=" + str(page)
    data = get_one_page(url)
    for item in parse_one_page(data):
        write_to_file(str(item))


if __name__ == '__main__':
    for i in range(1, 20):
        main(page=i)

　　

 

四、结果