来自一个菜鸟的爬虫分析过程（文末附代码）

Posted 2022-11-30 神的孩子都在歌唱

前言

这篇文章放在我的笔记里很久了，今天1024准备拿出来发一发，这是有关爬取新闻网站的，之前为了比赛爬了很多新闻网站，后面有机会会一一发出来，不知道会不会被警告（希望文章能过审）

有什么错误的地方请指正，谢谢

新闻爬取

• • 分析
  • • 分析数据
  • 获取页数
  • 代码获取

分析

目的：爬取汽车和房产的新闻标题，内容，和连接

分析数据

由于有反爬，无法获取html数据，所以我们用seleniu获取指定数据

1. 由于他每次只能获取5条新闻
   

这里我尝试了各种正则，如果想直接全部获取的话是不理想的，因为我们还得获取连接，所以这里我们只能一一判断他们正则，一组组爬取

前一组新闻：

title: //*[@id="immeList"]/ul/li/a

href：//*[@id="immeList"]/ul/li/a/@href

同理第二组新闻也是一样的

title://*[@id="immeList"]/ul/ul/ul/li/a

href://*[@id="immeList"]/ul/ul/ul/li/a/@href

第三组：

title：//*[@id="immeList"]/ul/ul/ul/ul/ul/li/a

href://*[@id="immeList"]/ul/ul/ul/ul/ul/li/a/@href

判断到这里我们可以发现，其实他每加一组就会加上两个ul标签，那我们就好判断了

第四组：//*[@id="immeList"]/ul/ul/ul/ul/ul/ul/ul/li/a

好消息，好消息，特大好消息，我突然发现了一个规律，只要在li标签前面在加个/就可以了，形成绝对路径

title://*[@id="immeList"]/ul//li/a

href://*[@id="immeList"]/ul//li/a/@href

刚刚我又发现了一个

原来他的数据放在json数据这里藏起来了，不过中文是乱码，我们需要decode解析一下

失败归来

我回来了，这个不是json格式，也不能说不是，就是他的标点符号不符合规范应该用“”双引号，目前我知道了除了手动调整标点符号没有其他方法了

我尝试了转为json

也尝试了通过正则提取（奈何技术不够老报错）

以下是爬取的数据，只能呆呆看着

文档写到这里我还是不愿放弃，因为数据就在眼前，弄好了数度快的不止一倍，于是我突发奇想，我可不可以使用replace直接替换他的标点符号’变成“，这样应该就能变成json格式，说干就干

成功装换

可是这样子还是不行，因为比如sum，list等没有背双引号包围，不算json格式

于是我们在替换，

虽然看起来有点笨重，不过效果挺好，可是我们发现titleLink被title替换了，所以我们要单独写一个replace

大功告成

json格式终于出来了，不容易啊，这回可以大展身手了

这不就简简单单获取标题了，咋们在获取个内容助助兴

这里又有问题了，我之前觉得这个方便是因为里面有内容可以获取，不用弄二次连接，我以为那个内容…后面还会有数据，没想到还真那么少，那我们只能获取内容连接进入内容继续爬了

哭了哭了，不过代码量减少了很多

获取页数

目前代码

headers = 
    'Connection': 'close',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.85 Safari/537.36'



while True:
    url = 'http://roll.hexun.com/roolNews_listRool.action?type=all&ids=105&date=2021-06-23&page=1'
    response = requests.get(url, headers=headers)
    # dict=response.content.decode('utf-8')
    dict=response.text
    dict=dict.replace("'",'"').replace('sum','"sum"').replace('list','"list"').replace('id','"id"')\\
        .replace('columnName','"columnName"').replace('columnLink','"columnLink"').replace('time','"time"')\\
        .replace('title','"title"').replace('desc','"desc"')
    dict=dict.replace('"title"Link','"titleLink"' )
    dict=json.loads(dict)
    dict=jsonpath.jsonpath(dict,'$..title')
    print(dict)

    break

我们想要他自动一页页爬取，可以调整page，循环遍历，还可以调整时间获取以前的数据

那我们如何知道他是多少页呢？

我们可以通过id判断，因为如果到了最后一页，无论你如何增加页数id都不变，那么到时候我们就不存数据，直接跳出循环，到达下一个日期

 id=jsonpath.jsonpath(dict,'$..id')
 hrefs=jsonpath.jsonpath(dict,'$..titleLink')
 print(id)
 print(hrefs)

这里思路已经清晰了，通过指定日期和页数获取数数据，通过数据id判断是否到达最后的页数

我们这里先爬取2021年的数据，1月到6月份的

由于每月的天数不一样，二月有28天

可以加上以下代码

 sum = jsonpath.jsonpath(dict, '$..sum')
    if sum[0] == '':
        return 0

由于我们的页数是定死的，所以我们获取数据的时候可以加个判断

return 0

if id!=0:
    hexvn_id=hexvn(data_month=2,data_day=30,page=1,id=0)
    if hexvn_id==0:
    break

6/23下午八点，又发现问题

http://roll.hexun.com/roolNews_listRool.action?type=all&ids=105&date=2021-01-5&page=1

还是json格式不对，经检查发现是因为符号导致的，很奇怪

去掉之后就好了

我们按照老方法替换为空

发现不行，我们试试split，然并卵，没啥用，最后只能通过正则方式

"""冠\\x0dTOP2千年老二\\x0dTOP3王者归来""""
# 利用正则匹配\\x开头的特殊字符
    result = re.findall(r'\\\\x[a-f0-9]2', dict)
    for x in result:
        # 替换找的的特殊字符
        dict = dict.replace(x, '')

学习了，挺牛的

爬取到第五天第5页又出现了问题

由于访问频率过快过多被拦截，我们设置一个sleep，有人问为什么不设置ip代理，我设置过了没用

#设置dailiip
def check_ip(url):
    proxies =  
    "https": "http://1.70.65.186:9999",
    "https": "http://1.70.67.162:9999",
    "https": "http://1.70.67.22:9999",
    "https": "http://1.70.64.178:9999",
    "https": "http://1.70.64.87:9999",
    

    try:
        response = requests.get(url, headers=headers,proxies=proxies)
        print(response)
        # if response.text:
        print("代理ip可用", proxies)
        return response
    except Exception as e:
        print("代理ip不可用,用本机的106.12.204.140:1024".format(e))
        response = requests.get(url, headers=headers)
        return response

我们没爬取一页休息6秒

虽然慢一点，但是安全可靠，nice

又有错误了

这里有个id

太麻烦了，我直接不爬这一天，任性

又有新的错误，就不能好好让我学习么

 sum = jsonpath.jsonpath(dict, '$..sum')
    if sum[0] == '':
        return 0

这行代码居然忘记加了，cao，由于我们这里2月份 爬完了，懒得重新爬，直接从第三月爬起

爬到5月完了，有12600条数据

重复数据无

代码获取

💕代码传送门github仓库地址

或者通过以下方式：

💕↓ ↓ ↓ ↓完整代码：回复 新闻 即可获取↓ ↓ ↓ ↓