Python 利用 BeautifulSoup 爬取网站获取新闻流

Posted 2021-01-03 adaminxie

0. 引言

　　介绍下 Python 用 Beautiful Soup 周期性爬取 xxx 网站获取新闻流；

图 1 项目介绍

 

1. 开发环境

　　Python：　　　　　　3.6.3

　　BeautifulSoup：　　  4.2.0 , 是一个可以从HTML或XML文件中提取数据的Python库*

　　( BeautifulSoup 的中文官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ )

 

2. 代码介绍

实现主要分为三个模块：

　　1. 计时 / second cnt

　　　　因为是周期性爬取，所以需要计时器来控制；

　　2. 设置代理 / set proxy

　　　　为了应对网站的反爬虫机制，需要切换代理；

　　3. 爬虫 / web spider

　　　　利用 requests 请求网站内容，然后 beautifulsoup 提取出所需信息；

 

利用 requests.get() 向服务器发送请求 >>> 拿到 html 内容 >>> 交由 beautifulsoup 用来解析提取数据；

 

先看一个 requests 和 beautifulsoup 拿数据的简单例子：

requests 发送请求给网站，然后 get 到返回的 html，然后再转换为 beautifulsoup 的对象；

( headers 和 proxies 是可选项 / optional )

 1 from bs4 import BeautifulSoup
 2 import requests
 3 html = "https://www.xxx.com"
 4 headers = {
 5     ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36‘
 6 }
 7 proxies = "114.231.xx.xx:xxxx"
 8 
 9 resp = requests.get(html, headers=headers, proxies=proxies)
10 resp.encoding = ‘utf-8‘
11   
12 bsObj = BeautifulSoup(resp.content, "lxml")

 

本文以爬取  https://www.ithome.com/blog/  为例，把页面上的新闻爬取下来，过滤掉多余信息，拿到 新闻时间 & 新闻标题 ； 

图 2 网站界面

 

拿到网站的 html 代码之后，如何剥离出自己想要的数据，参考图 3 的流程：

 

　　图 3 从 html 中 剥离数据的流程

 

首先看看 bsObj = BeautifulSoup(resp.content, "lxml") 拿到的 目标网站 ( https://www.ithome.com/blog/ ) 的 HTML 代码： 

...
<div class="block">
<h2>
<a href="https://www.ithome.com/html/android/380353.htm" target="_blank">魅族黄章评价滑盖智能手机：穷途末路倒退的设计，中看不中用</a><span class="state tody">今日 14:53</span></h2>
<div class="memo">
<p>昨晚荣耀Magic2、小米MIX 3手机相继亮相，并且都采用了升降式或者滑盖式屏幕设计。刚刚魅族黄章对于滑盖设计表达了自己的看法：滑盖可以说是穷途末路倒退的设计。</p>
</div>
</div>
</li>
<li>
<a class="list_thumbnail" href="https://www.ithome.com/html/discovery/380352.htm" target="_blank">
<img src="//img.ithome.com/newsuploadfiles/thumbnail/2018/8/380352_240.jpg"/>
</a>
<div class="block">
<h2>
<a href="https://www.ithome.com/html/discovery/380352.htm" target="_blank">俄罗斯计划“世界级”研究中心，拟克隆猛犸象</a><span class="state tody">今日 14:48</span></h2>
<div class="memo">
<p>俄罗斯科学家计划用保存的冰河时代遗骸的DNA，在一个耗资450万英镑的新侏罗纪公园中心克隆猛犸象</p>
</div>
</div>
</li>
<li>
<a class="list_thumbnail" href="https://lapin.ithome.com/html/digi/380351.htm" target="_blank">
<img src="//img.ithome.com/newsuploadfiles/thumbnail/2018/8/380351_240.jpg"/>
</a>
<div class="block">
<h2>
...

 

需要一层层剥出数据，首先定位到 <div class="block" >；

>>> block = bsObj.find_all("div", {"class": "block"})

<div class="block">
　　<h2>
　　　　<a href="https://www.ithome.com/html/android/380353.htm" target="_blank"> 魅族黄章评价滑盖智能手机：穷途末路倒退的设计，中看不中用</a>
　　　　<span class="state tody">今日 14:53</span>
　　</h2>
<div class="memo">
　　<p>昨晚荣耀Magic2、小米MIX 3手机相继亮相，并且都采用了升降式或者滑盖式屏幕设计。刚刚魅族黄章对于滑盖设计表达了自己的看法：滑盖可以说是穷途末路倒退的设计。</p>
</div>

 

接下来就是要提取出 新闻标题 title 和 新闻时间 time；

对于单个的 block：

提取新闻时间：

>>> block.find(‘span‘, {‘class‘: "state tody"})

<span class="state tody">今日 14:53</span>

然后

>> block.find(‘span‘, {‘class‘: "state tody"}).get_text()

得到 time 内容：

今日 14:53

 
提取新闻标题：

>>> block[i].find(‘a‘, {‘target‘: "_blank"})

<a href="https://www.ithome.com/html/android/380353.htm" target="_blank">魅族黄章评价滑盖智能手机：穷途末路倒退的设计，中看不中用</a>

然后

>> block.find(‘a‘, {‘target‘: "_blank"}).get_text()

得到 title 内容：

魅族黄章评价滑盖智能手机：穷途末路倒退的设计，中看不中用

 

这样就可以拿到了 新闻标题 titile 和 新闻时间 time了； 

 

3. 代码实现

1. 计时器

这里是一个秒数计数功能模块，利用 datetime 这个库，获取当前时间的秒位，和开始时间的秒位进行比对，如果发生变化，sec_cnt 就 +=1；

sec_cnt 输出 1,2,3,4,5,6...是记录的秒数，可以由此控制抓包时间；

>>> time = datetime.datetime.now() 　　# 获取当前的时间，比如：2018-08-31 14:32:54.440831
>>> time.second()　　　　　　　　　　　　　# 获取时间的秒位

second_cnt.py:

 1 # Author:   coneypo
 2 # Created:  08.31
 3 
 4 import datetime
 5 
 6 # 开始时间
 7 start_time = datetime.datetime.now()
 8 tmp = 0
 9 # 记录的秒数
10 sec_cnt = 0
11 
12 while 1:
13     current_time = datetime.datetime.now()
14 
15     # second 是以60为周期
16     # 将开始时间的秒 second / 当前时间的秒 second 进行对比；
17     # 如果发生变化则 sec_cnt+=1；
18     if current_time.second >= start_time.second:
19         if tmp != current_time.second - start_time.second:
20             # print("<no 60>+  ", tmp)
21             sec_cnt += 1
22             print("Time_cnt:", sec_cnt)
23             # 以 10s 为周期
24             if sec_cnt % 10 == 0:
25                 # do something
26                 pass
27         tmp = current_time.second - start_time.second
28 
29     # when get 60
30     else:
31         if tmp != current_time.second + 60 - start_time.second:
32             sec_cnt += 1
33             print("Time_cnt:", sec_cnt)
34 
35             # 比如以 10s 为周期
36             if sec_cnt % 10 == 0:
37                 # do something
38                 pass
39         tmp = current_time.second + 60 - start_time.second

 

2. get_proxy / 获取代理

这个网站可以提供一些国内的代理地址: http://www.xicidaili.com/nn/ ;

因为现在网站可能会有反爬虫机制，如果同一个 IP 如果短时间内大量访问该站点，就会被拦截；

所以我们需要设置代理，拿到的 proxy 地址传给 requests.get 的 proxies 参数：

>>> requests.get(html, headers=headers, proxies=proxies)

get_proxy.py :

 1 # Author:   coneypo
 2 # Created:  08.31
 3 # set proxy
 4 
 5 from bs4 import BeautifulSoup
 6 import requests
 7 import random
 8 
 9 
10 def get_proxy():
11     headers = {
12         ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36‘
13     }
14     proxy_url = ‘http://www.xicidaili.com/nn/‘
15     resp = requests.get(proxy_url, headers=headers)
16     soup = BeautifulSoup(resp.text, ‘lxml‘)
17     ips = soup.find_all(‘tr‘)
18     proxy_list = []
19 
20     for i in range(1, len(ips)):
21         ip_info = ips[i]
22         tds = ip_info.find_all(‘td‘)
23         proxy_list.append(tds[1].text + ‘:‘ + tds[2].text)
24 
25     proxy = proxy_list[random.randint(0, len(proxy_list))]
26 
27     print(proxy)
28     return proxy

 

 3. get_news_from_xxx / 爬虫

由计时器的 sec_cnt 控制爬虫的周期，每次先去代理网站拿代理，然后交给 requests 去拿数据，拿到 HTML 之后交给 beautiful 对象，然后过滤出新闻流：

 get_news_from_xxx.py 完整的代码：

  1 # Author:   coneypo
  2 # Created:  08.31
  3 # web spider for xxx.com
  4 
  5 from bs4 import BeautifulSoup
  6 import requests
  7 import random
  8 import datetime
  9 
 10 headers = {
 11     ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36‘
 12 }
 13 
 14 
 15 # 设置代理
 16 def get_proxy():
 17     proxy_url = ‘http://www.xicidaili.com/nn/‘
 18     resp = requests.get(proxy_url, headers=headers)
 19     soup = BeautifulSoup(resp.text, ‘lxml‘)
 20     ips = soup.find_all(‘tr‘)
 21     proxy_list = []
 22 
 23     for i in range(1, len(ips)):
 24         ip_info = ips[i]
 25         tds = ip_info.find_all(‘td‘)
 26         proxy_list.append(tds[1].text + ‘:‘ + tds[2].text)
 27 
 28     proxy = proxy_list[random.randint(0, len(proxy_list))]
 29 
 30     print("Proxy:", proxy)
 31     return proxy
 32 
 33 
 34 # 爬取网站
 35 def get_news():
 36     html = "https://www.ithome.com/blog/"
 37     resp = requests.get(html, headers=headers, proxies=get_proxy())
 38     resp.encoding = ‘utf-8‘
 39 
 40     # 网页内容
 41     bsObj = BeautifulSoup(resp.content, "lxml")
 42     #print(bsObj)
 43 
 44     # 分析
 45     block = bsObj.find_all("div", {"class": "block"})
 46     #print(block)
 47 
 48     current_titles = []
 49     current_times = []
 50 
 51     # analysis every block
 52     for i in range(len(block)):
 53         # get Time
 54         time_classes = ["state tody", "state other"]
 55         for time_class in time_classes:
 56             tmp = block[i].find_all(‘span‘, {‘class‘: time_class})
 57             if tmp:
 58                 current_time = (block[i].find(‘span‘, {‘class‘: time_class})).get_text()
 59                 current_times.append(current_time)
 60 
 61         # get Title
 62         if block[i].find_all(‘a‘, {‘target‘: "_blank"}):
 63             current_title = (block[i].find(‘a‘, {‘target‘: "_blank"})).get_text()
 64             current_titles.append(current_title)
 65 
 66     for i in range(len(current_times)):
 67         print(current_times[i], current_titles[i])
 68     return current_times, current_titles
 69 
 70 get_news()
 71 
 72 # 计时
 73 start_time = datetime.datetime.now()
 74 tmp = 0
 75 sec_cnt = 0
 76 
 77 while 1:
 78     current_time = datetime.datetime.now()
 79 
 80     # second 是以60为周期
 81     # 将开始时间的秒second / 当前时间的秒second 进行对比
 82     if current_time.second >= start_time.second:
 83         if tmp != current_time.second - start_time.second:
 84             # print("<no 60>+  ", tmp)
 85             sec_cnt += 1
 86             print("Time_cnt:", sec_cnt)
 87             if sec_cnt % 10 == 0:
 88                 get_news()
 89                 print(‘
‘)
 90         tmp = current_time.second - start_time.second
 91 
 92     # when get 60
 93     else:
 94         if tmp != current_time.second + 60 - start_time.second:
 95             sec_cnt += 1
 96             print("Time_cnt:", sec_cnt)
 97 
 98             if sec_cnt % 10 == 0:
 99                 get_news()
100                 print(‘
‘)
101         tmp = current_time.second + 60 - start_time.second

 

最终的输出 log：

Time_cnt: 1
Time_cnt: 2
Time_cnt: 3
Time_cnt: 4
Time_cnt: 5
Time_cnt: 6
Time_cnt: 7
Time_cnt: 8
Time_cnt: 9
Time_cnt: 10
Proxies: {‘http‘: ‘http://106.110.198.18:25295‘}
今日 14:02 《漫威蜘蛛侠》否认画面缩水：只是改变了太阳位置
今日 13:52 巴菲特：天天发Twitter对马斯克没好处
今日 13:48 网游总量调控：大厂的一时之痛 VS 小厂的灭顶之灾
今日 13:38 1.2m至2m均价，浩岚旗舰店磨毛床品四件套59元
今日 13:37 索尼或于9月14日发布新款A7SIII全幅微单相机
今日 13:35 谷歌AI助理Google Assistant大升级：同时双语识别
今日 13:12 小米工程师：年前见到了小米MIX 3工程机，产量充足
今日 12:56 小米无线充电器（通用快充版）发布：10W快充，69元
今日 12:53 《古墓丽影：暗影》要登WeGame？腾讯发布问卷调查
今日 12:37 疑似湖畔大学学员回应“心疼柳青”：我们不教语文和逻辑
今日 12:27 拼多多首份财报：营收27亿元翻25倍，亏损翻65倍
08月29日 哆啦A梦正版授权，网易云音乐苹果iPhone 6/7/8/X系列手机壳19元
今日 12:26 B站“血小板吧反串黑”公告：永封相关账号，诉诸法律
今日 12:22 手机淘宝迎重大更新：“猜你喜欢”跃至首页二屏
今日 12:19 “初音未来”主题机械键鼠公布，葱娘键盘约860元
今日 12:13 《生化危机2：重制版》PS4 Pro版演示：场景刻画细节精美
今日 12:06 遭特朗普炮轰，谷歌回应称指责“不属实”
今日 12:03 英特尔为Windows 10设备推出新驱动，修复一系列重大问题
今日 11:51 双星旗舰店网面运动鞋69→39元、啄木鸟弹力牛仔裤109→59元
今日 11:42 亚运会《英雄联盟》中韩决赛回放：并未遭下架，暂无官方直播
今日 11:23 工信部：7月全国共查处“伪基站”违法犯罪案件21起
今日 11:19 《堡垒之夜》官方澄清：虚幻4神秘新平台代号并非索尼PS5！
今日 11:12 R星Steam周末特惠：《侠盗猎车》全系列低至3折！
今日 11:03 滴滴之过
今日 11:00 苹果秋季新品发布会信息汇总：中国特供双卡iPhone XS，iOS 12拯救老机型
今日 10:55 苹果iOS 12最新公测版遇Bug，解锁或下拉菜单提醒升级
今日 10:50 营养暴下饭，仲景旗舰店招牌原味香菇酱10袋480g19.9元
今日 10:40 荣耀Magic2突现，华为要拿麒麟980抢苹果高通风头
今日 10:40 华为做电视，背后的物联网战略才是重点？
今日 10:31 微软京东超级新品日：今日购Surface Go可享6期免最高补贴500元
今日 10:29 微信朋友圈八月十大谣言：使用@符号会被人工监控
今日 10:26 HB商店喜加一：特别好评游戏《战锤星际战士》免费领
今日 10:16 “贵”族8848的没落之路
今日 10:11 飞船裂缝导致国际空间站“漏气”，NASA：不威胁人员安全
今日 10:08 苹果要求重审专利侵权案遭美法官否决：赔偿5亿美元
今日 9:58 “我是开滴滴顺风车的斗鱼主播”
今日 9:57 叫卖华住开房信息，暗网为何如此嚣张？
今日 9:55 可双肩/斜挎/手提，卡拉羊拉杆插件防盗三用包39元
今日 9:47 《战地5》跳票后EA股价下跌8%，Origin高级会员可提前11天进入游戏
今日 9:46 雷军评价小米MIX 3：新一代全面屏，滑盖形式的
今日 9:44 联想Yoga Book C930双屏笔电发布：电子墨水屏取代实体键盘
今日 9:38 1798元起，锤子坚果Pro2S手机10点再次开启抢购
今日 9:35 武汉：网约车须加装卫星定位和一键报警
今日 9:29 滑盖新机曝光网友不敢相信直呼小米Note4，小米有品：MIX 3真机在此
08月26日 宽松休闲，凡客诚品旗舰店男士纯棉日式牛津纺衬衫64元
今日 9:25 消息称三星将向OPPO和小米提供可折叠手机屏幕
今日 9:15 这些价值上亿美元的网站，背后居然都只有一个程序员
今日 9:08 荣耀、小米：滑盖不解决一切问题
今日 9:07 10点开抢，小米8透明探索版今日再次发售
今日 9:04 联想发布全球首款骁龙850笔记本Yoga C630：续航25小时


Time_cnt: 11
Time_cnt: 12
Time_cnt: 13
Time_cnt: 14
Time_cnt: 15
Time_cnt: 16
Time_cnt: 17
Time_cnt: 18
Time_cnt: 19
Time_cnt: 20
Proxies: {‘http‘: ‘http://118.190.95.43:9001‘}
今日 14:02 《漫威蜘蛛侠》否认画面缩水：只是改变了太阳位置
今日 13:52 巴菲特：天天发Twitter对马斯克没好处
今日 13:48 网游总量调控：大厂的一时之痛 VS 小厂的灭顶之灾
今日 13:38 1.2m至2m均价，浩岚旗舰店磨毛床品四件套59元
今日 13:37 索尼或于9月14日发布新款A7SIII全幅微单相机
今日 13:35 谷歌AI助理Google Assistant大升级：同时双语识别
今日 13:12 小米工程师：年前见到了小米MIX 3工程机，产量充足
今日 12:56 小米无线充电器（通用快充版）发布：10W快充，69元
今日 12:53 《古墓丽影：暗影》要登WeGame？腾讯发布问卷调查
今日 12:37 疑似湖畔大学学员回应“心疼柳青”：我们不教语文和逻辑
今日 12:27 拼多多首份财报：营收27亿元翻25倍，亏损翻65倍
08月29日 哆啦A梦正版授权，网易云音乐苹果iPhone 6/7/8/X系列手机壳19元
今日 12:26 B站“血小板吧反串黑”公告：永封相关账号，诉诸法律
今日 12:22 手机淘宝迎重大更新：“猜你喜欢”跃至首页二屏
今日 12:19 “初音未来”主题机械键鼠公布，葱娘键盘约860元
今日 12:13 《生化危机2：重制版》PS4 Pro版演示：场景刻画细节精美
今日 12:06 遭特朗普炮轰，谷歌回应称指责“不属实”
今日 12:03 英特尔为Windows 10设备推出新驱动，修复一系列重大问题
今日 11:51 双星旗舰店网面运动鞋69→39元、啄木鸟弹力牛仔裤109→59元
今日 11:42 亚运会《英雄联盟》中韩决赛回放：并未遭下架，暂无官方直播
今日 11:23 工信部：7月全国共查处“伪基站”违法犯罪案件21起
今日 11:19 《堡垒之夜》官方澄清：虚幻4神秘新平台代号并非索尼PS5！
今日 11:12 R星Steam周末特惠：《侠盗猎车》全系列低至3折！
今日 11:03 滴滴之过
今日 11:00 苹果秋季新品发布会信息汇总：中国特供双卡iPhone XS，iOS 12拯救老机型
今日 10:55 苹果iOS 12最新公测版遇Bug，解锁或下拉菜单提醒升级
今日 10:50 营养暴下饭，仲景旗舰店招牌原味香菇酱10袋480g19.9元
今日 10:40 荣耀Magic2突现，华为要拿麒麟980抢苹果高通风头
今日 10:40 华为做电视，背后的物联网战略才是重点？
今日 10:31 微软京东超级新品日：今日购Surface Go可享6期免最高补贴500元
今日 10:29 微信朋友圈八月十大谣言：使用@符号会被人工监控
今日 10:26 HB商店喜加一：特别好评游戏《战锤星际战士》免费领
今日 10:16 “贵”族8848的没落之路
今日 10:11 飞船裂缝导致国际空间站“漏气”，NASA：不威胁人员安全
今日 10:08 苹果要求重审专利侵权案遭美法官否决：赔偿5亿美元
今日 9:58 “我是开滴滴顺风车的斗鱼主播”
今日 9:57 叫卖华住开房信息，暗网为何如此嚣张？
今日 9:55 可双肩/斜挎/手提，卡拉羊拉杆插件防盗三用包39元
今日 9:47 《战地5》跳票后EA股价下跌8%，Origin高级会员可提前11天进入游戏
今日 9:46 雷军评价小米MIX 3：新一代全面屏，滑盖形式的
今日 9:44 联想Yoga Book C930双屏笔电发布：电子墨水屏取代实体键盘
今日 9:38 1798元起，锤子坚果Pro2S手机10点再次开启抢购
今日 9:35 武汉：网约车须加装卫星定位和一键报警
今日 9:29 滑盖新机曝光网友不敢相信直呼小米Note4，小米有品：MIX 3真机在此
08月26日 宽松休闲，凡客诚品旗舰店男士纯棉日式牛津纺衬衫64元
今日 9:25 消息称三星将向OPPO和小米提供可折叠手机屏幕
今日 9:15 这些价值上亿美元的网站，背后居然都只有一个程序员
今日 9:08 荣耀、小米：滑盖不解决一切问题
今日 9:07 10点开抢，小米8透明探索版今日再次发售
今日 9:04 联想发布全球首款骁龙850笔记本Yoga C630：续航25小时

 

你就可以每隔 10s 刷新下该网站上面的新闻流；

刷新周期在 line 87:

>>> if sec_cnt % 10 == 0:

 

# 请尊重他人劳动成果，转载或者使用源码请注明出处：http://www.cnblogs.com/AdaminXie

# 请不要利用爬虫从事恶意攻击或者违法活动