初级爬虫实战——哥伦比亚大学新闻
文章目录
- 发现宝藏
- 一、 目标
- 二、简单分析网页
- 1. 寻找所有新闻
- 2. 分析模块、版面和文章
- 三、爬取新闻
- 1. 爬取模块
- 2. 爬取版面
- 3. 爬取文章
- 四、完整代码
- 五、效果展示
发现宝藏
前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【宝藏入口】。
一、 目标
爬取news.columbia.edu的字段,包含标题、内容，作者，发布时间，链接地址，文章快照 (可能需要翻墙才能访问)
二、简单分析网页
1. 寻找所有新闻
- 按照如下步骤，找到全部新闻
2. 分析模块、版面和文章
-
为了规范爬取的命名与逻辑，我们分别用模块、版面、文章三部分来进行爬取，具体如下
-
一个网站的全部新闻由数个模块组成，只要我们遍历爬取了所有模块就获得的该网站的所有新闻，由于该网站所有新闻都在该路径下，所有该路径就是唯一的模块
- 一个模块由数页版面组成，只要遍历了所有版面，我们就爬取了一个模块
- 一个版面里有数页文章，由于该网站模块下的列表同时也是一篇文章，所以一个版面里只有一篇文章
- 一篇文章有标题、出版时间和作者信息、文章正文和文章图片等信息
三、爬取新闻
1. 爬取模块
- 由于该新闻只有一个模块，所以直接请求该模块地址即可获取该模块的所有信息，但是为了兼容多模块的新闻，我们还是定义一个数组存储模块地址
class ColumbianewsScraper:: def __init__(self, root_url, model_url, img_output_dir): self.root_url = root_url self.model_url = model_url self.img_output_dir = img_output_dir self.headers = { 'Referer': 'https://news.columbia.edu/news/other?page=194', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/122.0.0.0 Safari/537.36', 'Cookie': '' } def run(): # 网站根路径 root_url = 'https://news.columbia.edu/' # 文章图片保存路径 output_dir = 'D://imgs//columbia-news' # 模块地址数组 model_urls = ['https://news.columbia.edu/news/other'] for model_url in model_urls: # 初始化类 scraper = ColumbianewsScraper(root_url, model_url, output_dir) # 遍历版面 scraper.catalogue_all_pages() if __name__ == "__main__": run()2. 爬取版面
- 首先我们确认模块下版面切页相关的参数传递，通过切换页面我们不难发现切换页面是通过传递参数 page 来实现的
- 于是我们接着寻找模块下有多少页版面，通过观察控制台我们发现最后一页是在 类名为 的 ul 标签里的最后一个 a 标签文本里
# 获取一个模块有多少版面 def catalogue_all_pages(self): response = requests.get(self.model_url, headers=self.headers) soup = BeautifulSoup(response.text, 'html.parser') try: num_page_str=soup.find('ul', 'pagination js-pager__items').find('a', title='Go to last page').get('href') # 使用正则表达式匹配数字 match = re.search(r'\d+', num_page_str) num_pages = int(match.group()) + 1 print(self.model_url + ' 模块一共有' + str(num_pages) + '页版面') for page in range(0, num_pages): print(f"========start catalogues page {page+1}" + "/" + str(num_pages) + "========") self.parse_catalogues(page) print(f"========Finished catalogues page {page+1}" + "/" + str(num_pages) + "========") except Exception as e: print(f'Error: {e}') traceback.print_exc()- 根据模块地址和page参数传递完整版面地址，访问并解析找到对应的版面列表
# 解析版面列表里的版面 def parse_catalogues(self, page): params = {'page': page} response = requests.get(self.model_url, headers=self.headers, params=params) if response.status_code == 200: soup = BeautifulSoup(response.text, 'html.parser') catalogue_list = soup.find('div', 'col-md-8') catalogues_list = catalogue_list.find_all('div', 'views-row') for index, catalogue in enumerate(catalogues_list):- 遍历版面列表，获取版面标题
catalogue_title = catalogue.find('div', 'views-field views-field-title').find('a').get_text(strip=True)- 获取出版时间和操作时间
date = datetime.now() # 更新时间 publish_time = catalogue.find('div', 'views-field views-field-field-cu-date').find('time').get('datetime') # 将日期字符串转换为datetime对象 # 去除时区信息，得到不带时区的时间字符串 date_string_no_tz = publish_time.replace('Z', '') # 使用 strptime 函数将字符串转换为时间对象 updatetime = datetime.strptime(date_string_no_tz, '%Y-%m-%dT%H:%M:%S')- 保存版面url和版面id, 由于该新闻是一个版面对应一篇文章，所以版面url和文章url是一样的，而且文章没有明显的标识，我们把地址后缀作为文章id，版面id则是文章id后面加上个01
# 版面url catalogue_href = catalogue.find('div', 'views-field views-field-title').find('a').get('href') catalogue_url = self.root_url + catalogue_href # 使用正则表达式提取最后一个斜杠后的路径部分 match = re.search(r'/([^/]+)/?$', catalogue_url) # 版面id catalogue_id = str(match.group(1))- 保存版面信息到mogodb数据库（由于每个版面只有一篇文章，所以版面文章数量cardsize的值赋为1）
# 连接 MongoDB 数据库服务器 client = MongoClient('mongodb://localhost:27017/') # 创建或选择数据库 db = client['columbia-news'] # 创建或选择集合 catalogues_collection = db['catalogues'] # 插入示例数据到 catalogues 集合 catalogue_data = { 'id': catalogue_id, 'date': date, 'title': catalogue_title, 'url': catalogue_url, 'cardSize': 1, 'updatetime': updatetime } # 在插入前检查是否存在相同id的文档 existing_document = catalogues_collection.find_one({'id': catalogue_id}) # 如果不存在相同id的文档，则插入新文档 if existing_document is None: catalogues_collection.insert_one(catalogue_data) print("[爬取版面]版面 " + catalogue_url + " 已成功插入！") else: print("[爬取版面]版面 " + catalogue_url + " 已存在！") print(f"========finsh catalogue {index+1}" + "/" + "15========")3. 爬取文章
-
由于一个版面对应一篇文章，所以版面url 、更新时间、标题和文章是一样的，并且按照设计版面id和文章id的区别只是差了个01，所以可以传递版面url、版面id、更新时间和标题四个参数到解析文章的函数里面
-
获取文章id，文章url，文章更新时间和当下操作时间
# 解析版面列表里的版面 def parse_catalogues(self, page): ... self.parse_cards_list(catalogue_url, catalogue_id, updatetime, catalogue_title) ... # 解析文章列表里的文章 def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle): card_response = requests.get(url, headers=self.headers) soup = BeautifulSoup(card_response.text, 'html.parser') # 对应的版面id card_id = catalogue_id # 文章标题 card_title = cardtitle # 文章更新时间 updateTime = cardupdatetime # 操作时间 date = datetime.now()- 获取文章作者
# 文章作者 author = soup.find('article', id='main-article').find('div', 'authors').get_text().replace('\n', '').replace('By', '')- 获取文章原始htmldom结构，并删除无用的部分（以下仅是部分举例），用html_content字段保留原始dom结构
# 原始htmldom结构 html_dom = soup.find('article', id='main-article') html_cut1 = html_dom.find('div', 'news-topic') html_cut2 = html_dom.find('div', id='cu_related_block-19355') html_cut3 = html_dom.find('div', id='sub-frame-error') # 移除元素 if html_cut1: html_cut1.extract() if html_cut2: html_cut2.extract() if html_cut3: html_cut3.extract()- 进行文章清洗，保留文本，去除标签，用content保留清洗后的文本
# 解析文章列表里的文章 def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle): ... # 增加保留html样式的源文本 origin_html = html_dom.prettify() # String # 转义网页中的图片标签 str_html = self.transcoding_tags(origin_html) # 再包装成 temp_soup = BeautifulSoup(str_html, 'html.parser') # 反转译文件中的插图 str_html = self.translate_tags(temp_soup.text) # 绑定更新内容 content = self.clean_content(str_html) ... # 工具 转义标签 def transcoding_tags(self, htmlstr): re_img = re.compile(r'\s*\s*', re.M) s = re_img.sub(r'\n @@##\1##@@ \n', htmlstr) # IMG 转义 return s # 工具 转义标签 def translate_tags(self, htmlstr): re_img = re.compile(r'@@##(img.*?)##@@', re.M) s = re_img.sub(r'', htmlstr) # IMG 转义 return s # 清洗文章 def clean_content(self, content): if content is not None: content = re.sub(r'\r', r'\n', content) content = re.sub(r'\n{2,}', '', content) content = re.sub(r' {6,}', '', content) content = re.sub(r' {3,}\n', '', content) content = re.sub(r'
', '', content)
content = content.replace(
'', '') content = content.replace( ''' card_id}的图片已保存到本地') except requests.exceptions.RequestException as e: print(f'请求图片时发生错误：{e}') except Exception as e: print(f'保存图片时发生错误：{e}') return downloaded_images # 如果文件夹存在则跳过 else: print(f'[爬取文章图片]文章id为{card_id}的图片文件夹已经存在') return []
- 保存文章数据到数据库
# 连接 MongoDB 数据库服务器 client = MongoClient('mongodb://localhost:27017/') # 创建或选择数据库 db = client['nd-news'] # 创建或选择集合 cards_collection = db['cards'] # 插入示例数据到 cards 集合 card_data = { 'id': card_id, 'catalogueId': catalogue_id, 'type': 'nd-news', 'date': date, 'title': card_title, 'author': author, 'updatetime': updateTime, 'url': url, 'html_content': str(html_content), 'content': content, 'illustrations': illustrations, } # 在插入前检查是否存在相同id的文档 existing_document = cards_collection.find_one({'id': card_id}) # 如果不存在相同id的文档，则插入新文档 if existing_document is None: cards_collection.insert_one(card_data) print("[爬取文章]文章 " + url + " 已成功插入！") else: print("[爬取文章]文章 " + url + " 已存在！")四、完整代码
import os from datetime import datetime import requests from bs4 import BeautifulSoup from pymongo import MongoClient import re import traceback class ColumbianewsScraper: def __init__(self, root_url, model_url, img_output_dir): self.root_url = root_url self.model_url = model_url self.img_output_dir = img_output_dir self.headers = { 'Referer': 'https://news.columbia.edu/news/other?page=194', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/122.0.0.0 Safari/537.36', 'Cookie': '__cf_bm=_takFcwXmltRp7BQJYSUHhfc9SXRPZdt1QnDSdY3Og8-1710139489-1.0.1.1' '-wX_2br0GXQiqc5vxjaOTTg34kdk.o9tCITBFF5O6X1Q9WY_2nvwFju21xbXXvSemuQmqWnyoUko6kKS23kRidg; ' '_gid=GA1.2.1882013722.1710139491; cuPivacyNotice=1; _ga=GA1.1.1680128029.1708481980; ' 'BIGipServer~CUIT~drupaldistprod.cc.columbia.edu-443-pool=!omWlyZA9uxfUxy0HrSyr' '/NyatqktDOUd6d8QEy32oKHvcMAczidbyADWBSz0qWS+aS7plRl8MVECTKw=; ' '_gcl_au=1.1.1784812938.1710140087; _ga_E1ZMHWNYYH=GS1.1.1710139491.3.1.1710140162.60.0.0 ' } # 获取一个模块有多少版面 def catalogue_all_pages(self): response = requests.get(self.model_url, headers=self.headers) soup = BeautifulSoup(response.text, 'html.parser') try: num_page_str = soup.find('ul', 'pagination js-pager__items').find('a', title='Go to last page').get('href') # 使用正则表达式匹配数字 match = re.search(r'\d+', num_page_str) num_pages = int(match.group()) + 1 print(self.model_url + ' 模块一共有' + str(num_pages) + '页版面') for page in range(0, num_pages): print(f"========start catalogues page {page + 1}" + "/" + str(num_pages) + "========") self.parse_catalogues(page) print(f"========Finished catalogues page {page + 1}" + "/" + str(num_pages) + "========") except Exception as e: print(f'Error: {e}') traceback.print_exc() # 解析版面列表里的版面 def parse_catalogues(self, page): params = {'page': page} response = requests.get(self.model_url, headers=self.headers, params=params) if response.status_code == 200: soup = BeautifulSoup(response.text, 'html.parser') catalogue_list = soup.find('div', 'col-md-8') catalogues_list = catalogue_list.find_all('div', 'views-row') for index, catalogue in enumerate(catalogues_list): print(f"========start catalogue {index + 1}" + "/" + "15========") # 版面标题 catalogue_title = catalogue.find('div', 'views-field views-field-title').find('a').get_text(strip=True) # 操作时间 date = datetime.now() # 更新时间 publish_time = catalogue.find('div', 'views-field views-field-field-cu-date').find('time').get( 'datetime') # 将日期字符串转换为datetime对象 # 去除时区信息，得到不带时区的时间字符串 date_string_no_tz = publish_time.replace('Z', '') # 使用 strptime 函数将字符串转换为时间对象 updatetime = datetime.strptime(date_string_no_tz, '%Y-%m-%dT%H:%M:%S') # 版面url catalogue_href = catalogue.find('div', 'views-field views-field-title').find('a').get('href') catalogue_url = self.root_url + catalogue_href # 使用正则表达式提取最后一个斜杠后的路径部分 match = re.search(r'/([^/]+)/?$', catalogue_url) # 版面id catalogue_id = str(match.group(1)) self.parse_cards_list(catalogue_url, catalogue_id, updatetime, catalogue_title) # 连接 MongoDB 数据库服务器 client = MongoClient('mongodb://localhost:27017/') # 创建或选择数据库 db = client['columbia-news'] # 创建或选择集合 catalogues_collection = db['catalogues'] # 插入示例数据到 catalogues 集合 catalogue_data = { 'id': catalogue_id, 'date': date, 'title': catalogue_title, 'url': catalogue_url, 'cardSize': 1, 'updatetime': updatetime } # 在插入前检查是否存在相同id的文档 existing_document = catalogues_collection.find_one({'id': catalogue_id}) # 如果不存在相同id的文档，则插入新文档 if existing_document is None: catalogues_collection.insert_one(catalogue_data) print("[爬取版面]版面 " + catalogue_url + " 已成功插入！") else: print("[爬取版面]版面 " + catalogue_url + " 已存在！") print(f"========finsh catalogue {index + 1}" + "/" + "15========") return True else: raise Exception(f"Failed to fetch page {page}. Status code: {response.status_code}") # 解析文章列表里的文章 def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle): card_response = requests.get(url, headers=self.headers) soup = BeautifulSoup(card_response.text, 'html.parser') # 对应的版面id card_id = catalogue_id # 文章标题 card_title = cardtitle # 文章更新时间 updateTime = cardupdatetime # 操作时间 date = datetime.now() try: # 文章作者 author = soup.find('article', id='main-article').find('div', 'authors').get_text().replace('\n', '') except: author = None # 原始htmldom结构 html_dom = soup.find('article', id='main-article') html_cut1 = html_dom.find('div', 'news-topic') html_cut2 = html_dom.find('div', id='cu_related_block-19355') html_cut3 = html_dom.find('div', id='sub-frame-error') # 移除元素 if html_cut1: html_cut1.extract() if html_cut2: html_cut2.extract() if html_cut3: html_cut3.extract() html_content = html_dom # 增加保留html样式的源文本 origin_html = html_dom.prettify() # String # 转义网页中的图片标签 str_html = self.transcoding_tags(origin_html) # 再包装成 temp_soup = BeautifulSoup(str_html, 'html.parser') # 反转译文件中的插图 str_html = self.translate_tags(temp_soup.text) # 绑定更新内容 content = self.clean_content(str_html) # 下载图片 imgs = [] img_array = soup.find('div', id='featured-content').find_all('img') if len(img_array) is not None: for item in img_array: img_url = self.root_url + item.get('src') imgs.append(img_url) if len(imgs) != 0: # 下载图片 illustrations = self.download_images(imgs, card_id) # 连接 MongoDB 数据库服务器 client = MongoClient('mongodb://localhost:27017/') # 创建或选择数据库 db = client['columbia-news'] # 创建或选择集合 cards_collection = db['cards'] # 插入示例数据到 cards 集合 card_data = { 'id': card_id, 'catalogueId': catalogue_id, 'type': 'nd-news', 'date': date, 'title': card_title, 'author': author, 'updatetime': updateTime, 'url': url, 'html_content': str(html_content), 'content': content, 'illustrations': illustrations, } # 在插入前检查是否存在相同id的文档 existing_document = cards_collection.find_one({'id': card_id}) # 如果不存在相同id的文档，则插入新文档 if existing_document is None: cards_collection.insert_one(card_data) print("[爬取文章]文章 " + url + " 已成功插入！") else: print("[爬取文章]文章 " + url + " 已存在！") # 下载图片 def download_images(self, img_urls, card_id): result = re.search(r'[^/]+$', card_id) last_word = result.group(0) # 根据card_id创建一个新的子目录 images_dir = os.path.join(self.img_output_dir, str(last_word)) if not os.path.exists(images_dir): os.makedirs(images_dir) downloaded_images = [] for index, img_url in enumerate(img_urls): try: response = requests.get(img_url, stream=True, headers=self.headers) if response.status_code == 200: # 从URL中提取图片文件名 img_name_with_extension = img_url.split('/')[-1] pattern = r'^[^?]*' match = re.search(pattern, img_name_with_extension) img_name = match.group(0) # 保存图片 with open(os.path.join(images_dir, img_name), 'wb') as f: f.write(response.content) downloaded_images.append([img_url, os.path.join(images_dir, img_name)]) print(f'[爬取文章图片]文章id为{card_id}的图片已保存到本地') except requests.exceptions.RequestException as e: print(f'请求图片时发生错误：{e}') except Exception as e: print(f'保存图片时发生错误：{e}') return downloaded_images # 如果文件夹存在则跳过 else: print(f'[爬取文章图片]文章id为{card_id}的图片文件夹已经存在') return [] # 工具 转义标签 def transcoding_tags(self, htmlstr): re_img = re.compile(r'\s*\s*', re.M) s = re_img.sub(r'\n @@##\1##@@ \n', htmlstr) # IMG 转义 return s # 工具 转义标签 def translate_tags(self, htmlstr): re_img = re.compile(r'@@##(img.*?)##@@', re.M) s = re_img.sub(r'', htmlstr) # IMG 转义 return s # 清洗文章 def clean_content(self, content): if content is not None: content = re.sub(r'\r', r'\n', content) content = re.sub(r'\n{2,}', '', content) content = re.sub(r' {6,}', '', content) content = re.sub(r' {3,}\n', '', content) content = re.sub(r'', '', content)
content = content.replace(
'
- 保存文章数据到数据库
- 进行文章清洗，保留文本，去除标签，用content保留清洗后的文本
- 获取文章原始htmldom结构，并删除无用的部分（以下仅是部分举例），用html_content字段保留原始dom结构
- 获取文章作者
-
- 保存版面信息到mogodb数据库（由于每个版面只有一篇文章，所以版面文章数量cardsize的值赋为1）
- 保存版面url和版面id, 由于该新闻是一个版面对应一篇文章，所以版面url和文章url是一样的，而且文章没有明显的标识，我们把地址后缀作为文章id，版面id则是文章id后面加上个01
- 获取出版时间和操作时间
- 遍历版面列表，获取版面标题
- 根据模块地址和page参数传递完整版面地址，访问并解析找到对应的版面列表
- 于是我们接着寻找模块下有多少页版面，通过观察控制台我们发现最后一页是在 类名为 的 ul 标签里的最后一个 a 标签文本里
- 首先我们确认模块下版面切页相关的参数传递，通过切换页面我们不难发现切换页面是通过传递参数 page 来实现的
- 由于该新闻只有一个模块，所以直接请求该模块地址即可获取该模块的所有信息，但是为了兼容多模块的新闻，我们还是定义一个数组存储模块地址
- 一篇文章有标题、出版时间和作者信息、文章正文和文章图片等信息
- 一个版面里有数页文章，由于该网站模块下的列表同时也是一篇文章，所以一个版面里只有一篇文章
- 一个模块由数页版面组成，只要遍历了所有版面，我们就爬取了一个模块
-
- 按照如下步骤，找到全部新闻
文章版权声明：除非注明，否则均为主机测评原创文章，转载或复制请以超链接形式并注明出处。
还没有评论，来说两句吧...