标签：作者 存储 text bs4 变量 .com strip() 标题 arm
上一篇文章《Python爬虫：抓取新浪新闻数据》详细解说了如何抓取新浪新闻详情页的相关数据，但代码的构建不利于后续扩展，每次抓取新的详情页时都需要重新写一遍，因此，我们需要将其整理成函数，方便直接调用。
详情页抓取的6个数据：新闻标题、评论数、时间、来源、正文、责任编辑。
首先，我们先将评论数整理成函数形式表示：
1 import requests 2 import json 3 import re 4 5 comments_url = ‘http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20‘ 6 7 def getCommentsCount(newsURL): 8 ID = re.search(‘doc-i(.+).shtml‘, newsURL) 9 newsID = ID.group(1) 10 commentsURL = requests.get(comments_url.format(newsID)) 11 commentsTotal = json.loads(commentsURL.text.strip(‘var data=‘)) 12 return commentsTotal[‘result‘][‘count‘][‘total‘] 13 14 news = ‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘ 15 print(getCommentsCount(news))
第5行comments_url，在上一篇中，我们知道评论链接中有新闻ID，不同新闻的评论数通过该新闻ID的变换而变换，因此我们将其格式化，新闻ID处用大括号{}来替代；
定义获取评论数的函数getCommentsCount，通过正则来查找匹配的新闻ID，然后将获取的新闻链接存储进变量commentsURL中，通过解码JS来得到最终的评论数commentsTotal；
然后，我们只需输入新的新闻链接，便可直接调用函数getCommentsCount来获取评论数。
最后，我们将需要抓取的6个数据均整理到一个函数getNewsDetail中。如下：
1 from bs4 import BeautifulSoup 2 import requests 3 from datetime import datetime 4 import json 5 import re 6 7 comments_url = ‘http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20‘ 8 9 def getCommentsCount(newsURL): 10 ID = re.search(‘doc-i(.+).shtml‘, newsURL) 11 newsID = ID.group(1) 12 commentsURL = requests.get(comments_url.format(newsID)) 13 commentsTotal = json.loads(commentsURL.text.strip(‘var data=‘)) 14 return commentsTotal[‘result‘][‘count‘][‘total‘] 15 16 # news = ‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘ 17 # print(getCommentsCount(news)) 18 19 def getNewsDetail(news_url): 20 result = {} 21 web_data = requests.get(news_url) 22 web_data.encoding = ‘utf-8‘ 23 soup = BeautifulSoup(web_data.text,‘lxml‘) 24 result[‘title‘] = soup.select(‘#artibodyTitle‘)[0].text 25 result[‘comments‘] = getCommentsCount(news_url) 26 time = soup.select(‘.time-source‘)[0].contents[0].strip() 27 result[‘dt‘] = datetime.strptime(time,‘%Y年%m月%d日%H:%M‘) 28 result[‘source‘] = soup.select(‘.time-source span span a‘)[0].text 29 result[‘article‘] = ‘ ‘.join([p.text.strip() for p in soup.select(‘#artibody p‘)[:-1]]) 30 result[‘editor‘] = soup.select(‘.article-editor‘)[0].text.lstrip(‘责任编辑：‘) 31 return result 32 33 print(getNewsDetail(‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘))
在函数getNewsDetail中，获取需要抓取的6个数据，放在result中：
而后输入自己想要获取数据的新闻链接，调用该函数即可。
部分运行结果：
{‘title‘: ‘浙大附中开课教咏春 “教头”系叶问第三代弟子‘, ‘comments‘: 618, ‘dt‘: datetime.datetime(2017, 5, 14, 7, 22), ‘source‘: ‘中国新闻网‘, ‘article‘: ‘原标题：浙大附中开课教咏春 “教头”系叶问......来源：钱江晚报‘, ‘editor‘: ‘张迪 ‘}
Mac，Python版本：3.6，PyCharm版本：2016.2
----- End -----
作者：杜王丹，微信公众号：杜王丹，互联网产品经理。
标签：作者 存储 text bs4 变量 .com strip() 标题 arm
原文地址：http://www.cnblogs.com/duwangdan/p/6932730.html
