用python爬取网站文献、新闻报道内容，并保存为文本

　　最近同学让我帮忙爬取点工程类的事故案例，目标网站：http://www.mkaq.org/sggl/shigual/，对于java程序员的我，对python还不太熟悉，不过python也很容易学的，主要是学会根据自己需求，用各种库就行了。下面记录一下我从安装环境到代码运行的过程：

一、安装python环境

　　安装python我是参考的这篇文章，写的很详细，python3环境安装。

二、安装需要用到的python的库

参考这个常用python库安装教程，此爬虫代码只用到了下列这几个库，参照教程安装即可：

　　　　requests
　　　　selenium
　　　　chromedriver
　　　　lxml
　　　　beautifulsoup4 (注意：python2版本用的是beautifulsoup，但是3.版本用的是beautifulsoup4 ，注意版本不同，此处用的为python3.8)

三、代码编写

　　环境准备好以后，开始编写代码：

　　

import os
import io
import sys
import requests

from bs4 import BeautifulSoup

# 改变标准输出的默认编码
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='gb18030')

def urlBS(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36'
    }
    resp = requests.get(url, headers=headers)
    html = resp.content.decode('utf-8')
    soup = BeautifulSoup(html, 'html.parser')
    return soup

def main(url):
    soup = urlBS(url)
    # 数据保存的目录( os.getced()创建文件夹)
    path = os.getcwd() + u'/爬取的文章/'

    if not os.path.isdir(path):  # 判断是否有这个文件夹
        os.mkdir(path)

    # for new in soup.select('.news-box'):
    for new in soup.select('.imgr'):

        if len(new.select('h2')) > 0:
            # 获取文章列表连接
            # article_list_url = 'https:' + new.select('a')[0]['href']
            #获取首页数据，不需要添加地址前缀
            # article_list_url = new.select('a')[0]['href']

            #获取第二页以后的数据，需要添加地址
            article_list_url = 'http://www.mkaq.org' + new.select('a')[0]['href']

            # 输出文章列表连接
            # print(article_ list_ url)

            # 获取文章标题
            # title = ''.join(new.select('h4')[0].text.split())
            title = ''.join(new.select('h2')[0].text.split())

            # 输出文章标题
            print(title)

            # 请求每篇文章
            result = urlBS(article_list_url)

            article = []

            # 获取article 中被p包含的内容去除最后一个p标签即责任编辑
            for v in result.select(' .article_content p')[:-1]:
                # 将内容添加到列表中， 并去除两边特殊字符
                article.append(v.text.strip())

            # 将列表中内容以换行连接
            author_info = '\n'.join(article)

            # 输出文章内容
            # print(author_ info)

            # 保存的文件格式为txt
            filename = path + title + '.txt'

            # 输出保存路径
            print(filename)

            new = open(filename, 'w', encoding="utf- 8")

            # 写入标题
            new.write(title + '\n\n')
            # 写入内容
            new.write(author_info)
            # 关闭
            new.close()

if __name__ == '__main__':
    # 目标网址
    # firsurl = 'http://www.mkaq.org/sggl/shigual/'

    #获取第三页数据，article_list_url也要同步修改
    firsurl = 'http://www.mkaq.org/sggl/shigual/index_3.shtml'

    main(firsurl)
    print('执行完成！')

四、运行效果如下图所示

　　

 

 　　在获取默写页面数据时，个别文章可能会报错，不用管，忽略即可。

　　若要获取其他网站的内容，参考网站源码的标签列表，做对应修改即可。