Python爬虫：新浪新闻详情页的数据抓取（函数版）

Posted 2020-09-21

上一篇文章《Python爬虫：抓取新浪新闻数据》详细解说了如何抓取新浪新闻详情页的相关数据，但代码的构建不利于后续扩展，每次抓取新的详情页时都需要重新写一遍，因此，我们需要将其整理成函数，方便直接调用。

详情页抓取的6个数据：新闻标题、评论数、时间、来源、正文、责任编辑。

首先，我们先将评论数整理成函数形式表示：

 1 import requests
 2 import json
 3 import re
 4 
 5 comments_url = ‘http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20‘
 6 
 7 def getCommentsCount(newsURL):
 8     ID = re.search(‘doc-i(.+).shtml‘, newsURL)
 9     newsID = ID.group(1)
10     commentsURL = requests.get(comments_url.format(newsID))
11     commentsTotal = json.loads(commentsURL.text.strip(‘var data=‘))
12     return commentsTotal[‘result‘][‘count‘][‘total‘]
13 
14 news = ‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘
15 print(getCommentsCount(news))

第5行comments_url，在上一篇中，我们知道评论链接中有新闻ID，不同新闻的评论数通过该新闻ID的变换而变换，因此我们将其格式化，新闻ID处用大括号{}来替代；

定义获取评论数的函数getCommentsCount，通过正则来查找匹配的新闻ID，然后将获取的新闻链接存储进变量commentsURL中，通过解码JS来得到最终的评论数commentsTotal；

然后，我们只需输入新的新闻链接，便可直接调用函数getCommentsCount来获取评论数。

最后，我们将需要抓取的6个数据均整理到一个函数getNewsDetail中。如下：

 1 from bs4 import BeautifulSoup
 2 import requests
 3 from datetime import datetime
 4 import json
 5 import re
 6 
 7 comments_url = ‘http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20‘
 8 
 9 def getCommentsCount(newsURL):
10     ID = re.search(‘doc-i(.+).shtml‘, newsURL)
11     newsID = ID.group(1)
12     commentsURL = requests.get(comments_url.format(newsID))
13     commentsTotal = json.loads(commentsURL.text.strip(‘var data=‘))
14     return commentsTotal[‘result‘][‘count‘][‘total‘]
15 
16 # news = ‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘
17 # print(getCommentsCount(news))
18 
19 def getNewsDetail(news_url):
20     result = {}
21     web_data = requests.get(news_url)
22     web_data.encoding = ‘utf-8‘
23     soup = BeautifulSoup(web_data.text,‘lxml‘)
24     result[‘title‘] = soup.select(‘#artibodyTitle‘)[0].text
25     result[‘comments‘] = getCommentsCount(news_url)
26     time = soup.select(‘.time-source‘)[0].contents[0].strip()
27     result[‘dt‘] = datetime.strptime(time,‘%Y年%m月%d日%H:%M‘)
28     result[‘source‘] = soup.select(‘.time-source span span a‘)[0].text
29     result[‘article‘] = ‘ ‘.join([p.text.strip() for p in soup.select(‘#artibody p‘)[:-1]])
30     result[‘editor‘] = soup.select(‘.article-editor‘)[0].text.lstrip(‘责任编辑：‘)
31     return result
32 
33 print(getNewsDetail(‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘))

在函数getNewsDetail中，获取需要抓取的6个数据，放在result中：

• result[‘title‘]是获取新闻标题；
• resul[‘comments‘]是获取评论数，可以直接调用我们开头定义的评论数函数getCommentsCount；
• result[‘dt‘]是获取时间； result[‘source‘]是获取来源；
• result[‘article‘]是获取正文；
• result[‘editor‘]是获取责任编辑。

而后输入自己想要获取数据的新闻链接，调用该函数即可。

部分运行结果：

{‘title‘: ‘浙大附中开课教咏春 “教头”系叶问第三代弟子‘, ‘comments‘: 618, ‘dt‘: datetime.datetime(2017, 5, 14, 7, 22), ‘source‘: ‘中国新闻网‘, ‘article‘: ‘原标题：浙大附中开课教咏春 “教头”系叶问......来源：钱江晚报‘, ‘editor‘: ‘张迪 ‘}

Mac，Python版本：3.6，PyCharm版本：2016.2

-----   End   -----

作者：杜王丹，微信公众号：杜王丹，互联网产品经理。