爬虫实战——伯克利新闻【内附超详细教程，你上你也行】

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、���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https://news.berkeley.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

      2. 分析模块、版面和文章

      我们可以按照新闻模块、版面、和文章对网页信息进行拆分，分别按照步骤进行爬取

      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 MitnewsScraper:    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.berkeley.edu/',            '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': '替换成你自己的',        }        ...def run():    # 根路径    root_url = 'https://news.berkeley.edu/'    # 模块地址数组    model_urls = ['https://news.berkeley.edu/news']    # 文章图片保存路径    output_dir = 'D://imgs//berkeley-news'    for model_url in model_urls:        scraper = MitnewsScraper(root_url, model_url, output_dir)        scraper.catalogue_all_pages()if __name__ == "__main__":    run()

      多模块的新闻网站例子如下（4个模块）

      2. 爬取版面

      • f12打开控制台，点击网络（network），通过切换页面观察接口的参数传递，发现只有一个page参数
        • 于是我们可以获取页面下面的页数（page x of xxxx）, 然后进行遍历传参，也就遍历获取了所有版面

              # 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:            match = re.search(r'of (\d+)', soup.text)            num_pages = int(match.group(1))            print('模块一共有' + str(num_pages) + '页版面,')            for page in range(1, num_pages + 1):                self.parse_catalogues(page)                print(f"========Finished modeles page {page}========")        except:            return False

          • F12打开控制台后按照如下步骤获取版面列表对应的dom结构

              catalogue_list = soup.find('p', 'filtered-items')  catalogues_list = catalogue_list.find_all('article')

            • 遍历版面列表，获取版面标题

                  for index, catalogue in enumerate(catalogues_list):        # 版面标题        catalogue_title = catalogue.find('p', 'news-item__description').find('a').get_text(strip=True)        print('第' + str(index + 1) + '个版面标题为:' + catalogue_title)

              • 获取版面更新时间和当下的操作时间

                    # 操作时间    date = datetime.now()    # 更新时间    publish_time = catalogue.find('p', 'news-item__description').find('time').get('datetime')    #  将日期字符串转换为datetime对象    updatetime = datetime.strptime(publish_time, '%Y-%m-%d')

                • 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， 为了避免标题重复也可以把日期前缀也加上去

                       # 版面url    catalogue_href = catalogue.find('p', 'news-item__description').find('a').get('href')    catalogue_url = self.root_url + catalogue_href    # 版面id    catalogue_id = catalogue_href[1:]    print('第' + str(index + 1) + '个版面地址为:' + catalogue_url)

                  • 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['berkeley-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 + '01','date': date,'title': catalogue_title,'url': catalogue_url,'cardSize': 1,'updatetime': updatetime}

                    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def parse_catalogues(self, page):...    self.parse_cards_list(catalogue_url, catalogue_id, updatetime, catalogue_title)...# 解析文章    def parse_cards_list(self, url, catalogue_id, updatetime， cardtitle):        card_response = requests.get(url, headers=self.headers)        soup = BeautifulSoup(card_response.text, 'html.parser')        

                      • 获取文章作者

                            # 文章作者    author = soup.find('a', href='/author/news').get_text()

                        • 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('p', 'single-post cb-section cb-stretch')        # 标题上方的冗余        html_cut1 = html_dom.find('p', 'single-post__heading').find('strong')        # 链接冗余        html_cut2 = html_dom.find_all('a', 'a2a_dd share-link')              # 移除元素        if html_cut1:            html_cut1.extract()        if html_cut2:            for item in html_cut2:                item.extract()        html_content = html_dom

                          • 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 @@####@@ \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(                ''' 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'文章id为{card_id}的图片文件夹已经存在')            return []

                            • 保存文章数据

                               # 连接 MongoDB 数据库服务器        client = MongoClient('mongodb://localhost:27017/')        # 创建或选择数据库        db = client['berkeley-news']        # 创建或选择集合        cards_collection = db['cards']        # 插入示例数据到 catalogues 集合        card_data = {            'id': card_id,            'catalogueId': catalogue_id,            'type': 'berkeley-news',            'date': date,            'title': card_title,            'author': author,            'updatetime': updateTime,            'url': url,            'html_content': str(html_content),            'content': content,            'illustrations': illustrations,        }        cards_collection.insert_one(card_data)

                              四、完整代码

                              import osfrom datetime import datetimeimport requestsfrom bs4 import BeautifulSoupfrom pymongo import MongoClientimport reimport tracebackclass MitnewsScraper:    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.berkeley.edu/',            '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': '替换成你自己的',        }    # 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:            match = re.search(r'of (\d+)', soup.text)            num_pages = int(match.group(1))            print('模块一共有' + str(num_pages) + '页版面')            for page in range(1, num_pages + 1):                print(f"========start catalogues page {page}" + "/" + str(num_pages) + "========")                self.parse_catalogues(page)                print(f"========Finished catalogues page {page}" + "/" + 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, params=params, headers=self.headers)        if response.status_code == 200:            soup = BeautifulSoup(response.text, 'html.parser')            catalogue_list = soup.find('p', 'filtered-items')            catalogues_list = catalogue_list.find_all('article')            for index, catalogue in enumerate(catalogues_list):                print(f"========start catalogue {index+1}" + "/" + "10========")                # 版面标题                catalogue_title = catalogue.find('p', 'news-item__description').find('a').get_text(strip=True)                # 操作时间                date = datetime.now()                # 更新时间                publish_time = catalogue.find('p', 'news-item__description').find('time').get('datetime')                #  将日期字符串转换为datetime对象                updatetime = datetime.strptime(publish_time, '%Y-%m-%d')                # 版面url                catalogue_href = catalogue.find('p', 'news-item__description').find('a').get('href')                catalogue_url = self.root_url + catalogue_href                # 版面id                catalogue_id = catalogue_href[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['berkeley-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}" + "/" + "10========")            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):        url = 'https://news.berkeley.edu/2024/03/05/meet-our-new-faculty-antoine-levy-economics'        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()        # 文章作者        try:            author = soup.find('a', href='/author/news').get_text()        except:            author = soup.find('p', 'single-post__heading').find('p').find('a').get_text()        # 原始htmldom结构        html_dom = soup.find('p', 'single-post cb-section cb-stretch')        # 标题上方的冗余        html_cut1 = html_dom.find('p', 'single-post__heading').find('strong')        # 链接冗余        html_cut2 = html_dom.find_all('a', 'a2a_dd share-link')        # 移除元素        if html_cut1:            html_cut1.extract()        if html_cut2:            for item in html_cut2:                item.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 = []        try:            img_array = soup.find('figure', 'cb-image cb-float--none cb-float--none--md cb-float--none--lg cb-100w cb-100w--md cb-100w--lg new-figure').find_all('img')        except:            img_array = soup.find('p', 'container container--lg cb-container').find_all('img')        if len(img_array) is not None:            for item in img_array:                img_url = item.get('src')                if img_url is None:                    img_url = item.get('data-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['berkeley-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': 'berkeley-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 @@####@@ \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(                '''