一種基於迭代與分類識別方法的入門級Python爬蟲

這段時間發現越來越痴迷於python，特別是python3，所以一邊看書，一邊就想動手做點實踐。由於實驗室有收集新聞語料的需求，所以就想著以鳳凰網新聞**為目標，試著寫乙個爬蟲如何？結果還真實現了！當然只是入門級的哦，請各位看官多提意見。

工具：python3, beautiful soup4

基本思想：先給定乙個目標url，它應該是乙個索引型別頁面（如然後以廣度優先的思路去分析這個url中包含的具體新聞頁面鏈結和其它索引頁面鏈結的頁面。接著以迭代的思想，獲取其下層索引頁面中包含的所有新聞頁面鏈結和索引頁面鏈結，直至當前站下索引頁面都處理完。最後提取具體新聞頁面的內容

原理圖：

具體**：

說明：如果只考慮收集頁面url而不考慮抓取其中的內容，那麼可以無視getcontent()方法。由於本人希望能夠抓取具體的新聞內容，而且只是實驗該方法的可行性，所以選取了範圍較小的鳳凰國際新聞，根據鳳凰新聞具體標籤結構來識別其中的時間、標題、正文等。也就是說，如果要抓取其它**內容的話，getcontent()方法中的目標標籤也要作相應的修改。本人尚未嘗試。

from urllib.request import urlopen
from bs4 import beautifulsoup
import time
#所需變數初始化及準備工作
#記錄程式開始時間
start = time.clock()
#建立乙個list用於儲存要抽取的**
rooturl=input('請輸入起始目錄**：')
#建立乙個list用於儲存索引型頁面的url
indexlist=
#建立乙個list用於儲存具體內容頁面的url
pagelist=
##********************以下為方法********************====##
'''方法名：parsehref
作用：從引數給定的url中解析出其中包含的索引類url和具體頁面類url，並分別儲存到不同的list中，同時確保值唯一
引數：'''
#獲取解析結果
def parsehref(url):
rawtext=urlopen(url).read() #抓取當前頁面
soup = beautifulsoup(rawtext) #使用bs模組獲取其結構樹
newslinks=soup.findall("a") #從中找到所有鏈結標籤
for a in newslinks: #迴圈處理所有a標籤
currentlink=a.get('href') #獲取當前標籤的鏈結位址
if currentlink.find('detail_')>0: # 如果位址中含有detail_子串，說明這是乙個具體頁面
if currentlink in pagelist: #判斷該頁面在pagelist中是否存在 如果存在
print(' 位址已經存在，不處理') # 不處理
else: #如果不存在
pagelist.extend([currentlink]) #則新增進去
print('具體頁面list新增：',currentlink)
elif currentlink.endswith('/'):  如果當前位址是以/結尾，說明這是乙個索引頁面，也就是說它下面還有下級頁面
if currentlink in indexlist: # 判斷該頁面在indexlist中是否存在 如果存在
print(' 位址已經存在，不處理') #不處理
else: # 如果不存在，
indexlist.extend([currentlink]) # 則新增進去
print('索引頁面list新增：',currentlink)
'''方法名：getcontent
作用：從pagelist中的url中解析出時間、標題、正文內容，並儲存到本地文字中
引數：無引數    
'''def getcontent():
#解析當前pagelist列表中儲存的所有具體內容頁面
print('解析具體頁面')
for p in pagelist:
currentpage=urlopen(p).read()
currenttext=beautifulsoup(currentpage)
print(p)
#獲取新聞發布時間
newstime=currenttext.find('span',)
if newstime:
newstime=newstime.get_text().replace('年','-')
newstime=newstime.replace('月','-')
newstime=newstime.replace('日','')
newstime=newstime.replace(':','：')
#獲取新聞標題  
newstitle=currenttext.find("h1")            
if len(newstitle)>0:
#print(newstitle.get_text())
newstitle=newstitle.get_text().replace('\t','')
newstitle=newstitle.replace('/','／')
#獲取新聞正文
newscontent= currenttext.find(id="main_content" )
if newscontent:
#以時間和標題為檔名，建立txt檔案，並寫入正文內容
f=open('file/'+newstime+"  "+newstitle+'.txt','w+', encoding='utf-8')
f.write(newscontent.get_text())
print(newstime+"  "+newstitle+'.txt')
f.close()
print('處理完成:',len(pagelist),'個頁面。')
#開始爬取
# 1、先解析根目錄
print('解析根目錄')
parsehref(rooturl)
print('根目錄解析完成')
# 2、分析indexlist中的值迭代進行解析，直至所有索引頁面都被分析過
print('解析獲取的索引頁面')
for i in indexlist:
parsehref(i)
print('索引頁面解析完成')  
#3、解析pagelist中所有具體頁面
getcontent()
#4、計算程式執行過程耗時
end = time.clock()
print (end-start)

結果截圖：

一種基於迭代與分類識別方法的入門級Python爬蟲

一種快速的未登陸詞識別方法原理和實現

一種快速的未登陸詞識別方法原理和實現

一種基於有序序列mapjoin的方法

一種基於迭代與分類識別方法的入門級Python爬蟲

一種快速的未登陸詞識別方法 原理和實現

一種快速的未登陸詞識別方法 原理和實現

一種基於有序序列mapjoin的方法

相關推薦

一種快速的未登陸詞識別方法原理和實現

一種快速的未登陸詞識別方法原理和實現