登录 注册

　　选择优质的ip代理，我们能够利用它来完成很多网络工作，比如网上的大数据抓取，其实就是要依靠ip代理来进行的。今天，IP海向大家介绍一个爬取新闻网站内容的教程。

　　IP海以UC网站为例子：

　　这个网站并没有太复杂的反爬虫，我们可以直接解析爬取就好。

　　from bs4 import BeautifulSoup

　　from urllib import request

　　def download(title,url):

　　req = request.Request(url)

　　response = request.urlopen(req)

　　response = response.read().decode('utf-8')

　　soup = BeautifulSoup(response,'lxml')

　　tag = soup.find('div',class_='sm-article-content')

　　if tag == None:

　　return 0

　　title = title.replace(':','')

　　title = title.replace('"','')

　　title = title.replace('|','')

　　title = title.replace('/','')

　　title = title.replace('\','')

　　title = title.replace('*','')

　　title = title.replace('<','')

　　title = title.replace('>','')

　　title = title.replace('?','')

　　with open(r'D:codepythonspider_newsUC_newssociety\' + title + '.txt','w',encoding='utf-8') as file_object:

　　file_object.write(' ')

　　file_object.write(title)

　　file_object.write(' ')

　　file_object.write('该新闻地址：')

　　file_object.write(url)

　　file_object.write(' ')

　　file_object.write(tag.get_text())

　　#print('正在爬取')

　　if __name__ == '__main__':

　　for i in range(0,7):

　　url = 'https://news.uc.cn/c_shehui/'

　　# headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.91 Safari/537.36",

　　# "cookie":"sn=3957284397500558579; _uc_pramas=%7B%22fr%22%3A%22pc%22%7D"}

　　# res = request.Request(url,headers = headers)

　　res = request.urlopen(url)

　　req = res.read().decode('utf-8')

　　soup = BeautifulSoup(req,'lxml')

　　#print(soup.prettify())

　　tag = soup.find_all('div',class_ = 'txt-area-title')

　　#print(tag.name)

　　for x in tag:

　　news_url = 'https://news.uc.cn' + x.a.get('href')

　　print(x.a.string,news_url)

　　download(x.a.string,news_url)

　　这样，我们就完成了网站新闻数据的抓取，可以检查运行结果看到，我们的数据是否成功获得。