Python爬虫之爬取南开大学滨海学院新闻网所有新闻并做成词云

作者: weizujie | 来源:发表于2019-07-10 16:27 被阅读0次

前言

我爬取了1000多条新闻，最后了解到学院近十年来的新闻所讲的大概内容是什么

好久没写爬虫了,最近学新东西弄得头有点秃, 我寻思做点什么有意思的东西换换心情,于是瞄准了学校的新闻网。

免责声明：本文仅供学习交流，如出现任何法律问题本人概不负责！

0. 准备工作

环境：

Windows 10

Python 3.6.5

需要用到的库:

requests - 用于网络请求

jieba - 用于分词

wordcould - 制作词云

bs4 - 用于解析

threading - 多线程

queue - 保证线程的安全使用

以上库都可以用 pip 进行下载

1. 构造所有页面

首先打开新闻网进入到"学院要闻"这个版块，然后点击下一页看看 URL 是如何变化的。

image

进入到最后一页，发现URL是 http://binhai.nankai.edu.cn/xww/xyyw/xyyw1/1.htm

进入到倒数第二页，URL变成 http://binhai.nankai.edu.cn/xww/xyyw/xyyw1/2.htm

那再看首页 http://binhai.nankai.edu.cn/xww/xyyw/xyyw1.htm

可以发现首页并不遵循这个规律，怎么办？将之独立出来进行爬取。

于是可以这样构造 URL

# 爬取1到70页，首页独立出来进行爬取
for x in range(1, 71):
    url = 'http://binhai.nankai.edu.cn/xww/xyyw/xyyw1/%d.htm' % x

2. 获取所有新闻链接

构造好所有页面的 URL 之后，接下来就是要针对每个页面进行爬虫，获取我们所需要的数据。这里我们需要的是每个新闻的链接、

image

从图中可以看到，每个链接都是在标签为 a，属性为 class="c131013"中。我们只需要获取到每一个 a 标签就可以拿到想要的数据了。

这里使用 BeautifulSoup 来进行解析，从而获取数据。

然后将获得的链接存放到一个列表里，以便后续使用

def getAllNewsUrl(url):
    """
    获取所有新闻链接
    :param url: 构造的所有页面的 URL
    :return:
    """
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36"}
    res = requests.get(url=url, headers=headers)
    res.encoding = 'utf-8'
    bsObj = BeautifulSoup(res.text, 'lxml')
    for a in bsObj.select('a.c131013'):
        allNewsUrl.append("http://binhai.nankai.edu.cn/xww/" + a['href'].replace('../../', ''))

需要注意的是用 requests 去请求的时候返回的内容中汉子是乱码,所以需要制定一下编码才能正常显示。

3. 获取所有新闻的内容

获取到每条新闻的链接后，接下来就是对每条新闻的内容进行爬取，这里也是使用 BeautifulSoup，同样的需要制定编码。

image

def getNewsContent(self, url):
        """
        获取所有新闻的内容
        :param url: 所有新闻的链接
        :return:
        """
        try:
            res = requests.get(url=url, headers=self.headers)
            res.encoding = 'utf-8'
            bsObj = BeautifulSoup(res.text, 'lxml')
            news_content = bsObj.select('div .v_news_content')[0].get_text().replace('\n', '')
            # self.content_queue.put(news_content) # 将获取的新闻内容 put 到 queue 里
        except:
            return None

4. 使用多线程加快爬取速度

4.1 关于多线程，这里摘取了廖雪峰老师官网的部分内容：

多任务可以由多进程完成，也可以由一个进程内的多线程完成。
进程是由若干线程组成的，一个进程至少有一个线程。
由于线程是操作系统直接支持的执行单元，因此，高级语言通常都内置多线程的支持，Python也不例外，并且，Python的线程是真正的Posix Thread，而不是模拟出来的线程。
Python的标准库提供了两个模块：thread和threading，thread是低级模块，threading是高级模块，对thread进行了封装。绝大多数情况下，我们只需要使用threading这个高级模块。
启动一个线程就是把一个函数传入并创建Thread实例，然后调用start()开始执行

4.2 什么是Queue：

摘自与Python之queue模块

queue模块实现了多生产者，多消费者的队列。当要求信息必须在多线程间安全交换，这个模块在线程编程时非常有用。Queue模块实现了所有要求的锁机制。说了半天就是Queue模块主要是多线程，保证线程安全使用的。这个类实现了三种类型的queue，区别仅仅在于进去和取出的位置。在一个FIFO（First In，First Out）队列中，先加先取。在一个LIFO（Last In First Out）的队列中，最后加的先出来（操作起来跟stack一样）。priority队列，有序保存，优先级最低的先出来。内部实现是在抢占式线程加上临时锁。但是没有涉及如何去处理线程的重入。

4.3 爬虫的完整代码

# -*- coding: utf-8 -*-
# Author：@渡舛
# 2019年7月10日

import sys
import time
import datetime
import requests
import threading
from queue import Queue
from bs4 import BeautifulSoup

allUrl = [] # 用于存放页面的 url
allNewsUrl = [] # 用于存放所有新闻的 URL

class Producer(threading.Thread):
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36"}
    def __init__(self, url_queue, content_queue, *args, **kwargs):
        """
        生产者
        :param url_queue:  新闻链接队列
        :param content_queue: 新闻内容队列
        :param args:
        :param kwargs:
        """
        super(Producer, self).__init__(*args, **kwargs)
        self.url_queue = url_queue
        self.content_queue = content_queue

    def run(self):
        while True:
            if self.url_queue.empty():
                break
            url = self.url_queue.get()
            self.getNewsContent(url)

    def getNewsContent(self, url):
        """
        获取所有新闻的内容
        :param url: 所有新闻的链接
        :return:
        """
        try:
            res = requests.get(url=url, headers=self.headers)
            res.encoding = 'utf-8'
            bsObj = BeautifulSoup(res.text, 'lxml')
            news_content = bsObj.select('div .v_news_content')[0].get_text().replace('\n', '')
            self.content_queue.put(news_content) # 将获取的新闻内容 put 到 queue 里
        except:
            return None

class Consumer(threading.Thread):

    def __init__(self, url_queue, content_queue, *args, **kwargs):
        """
        消费者
        :param url_queue:  新闻链接队列
        :param content_queue: 新闻内容队列
        :param args:
        :param kwargs:
        """
        super(Consumer, self).__init__(*args, **kwargs)
        self.url_queue = url_queue
        self.content_queue = content_queue

    def run(self):
        while True:
            newsContent = self.content_queue.get()
            f = open('News.txt', 'a+', encoding='utf-8')
            f.write(newsContent)
            if self.url_queue.empty() and self.content_queue.empty():
                f.close()
                break

def getAllNewsUrl(url):
    """
    获取所有新闻链接
    :param url: 构造的所有页面的 URL
    :return:
    """
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36"}
    try:
        res = requests.get(url=url, headers=headers)
        res.encoding = 'utf-8'
        bsObj = BeautifulSoup(res.text, 'lxml')
        for a in bsObj.select('a.c131013'):
            url = 'http://binhai.nankai.edu.cn/xww/' + a['href'].replace('../../', '')
            if url not in allNewsUrl:
                allNewsUrl.append(url)
                

    except:
        return None

def startCrawler():

    url_queue = Queue(2000)  # 所有新闻链接的队列
    content_queue = Queue(100000)  # 所有新闻内容的队列

    # 构造所有页面的 URL, 一共有70页
    for x in range(1, 71):
        url = 'http://binhai.nankai.edu.cn/xww/xyyw/xyyw1/%d.htm' % x
        getAllNewsUrl(url)
    
    print("Message - [" + str(datetime.datetime.now()) +  "] 共有" + str(len(allNewsUrl)) + " 条新闻")

    # 将所有新闻链接 put 到 queue 里
    print("Message - [" + str(datetime.datetime.now()) +  "] 正在将所有新闻链接放到队列里...")
    for url in allNewsUrl:
        url_queue.put(url)

    # 构造 5 个生产者
    print("Message - [" + str(datetime.datetime.now()) +  "] 开始构造生产者...")
    for x in range(5):
        t = Producer(url_queue, content_queue)
        t.start()

    # 构造 5 个消费者
    print("Message - [" + str(datetime.datetime.now()) +  "] 开始构造消费者...")
    for x in range(5):
        t = Consumer(url_queue, content_queue)
        t.start()

多线程爬虫可以参考：

https://docs.python.org/zh-cn/3.6/library/threading.html

https://www.runoob.com/python/python-multithreading.html

https://zhuanlan.zhihu.com/p/38398256

https://cuiqingcai.com/3325.html

5. 制作词云

5.1 制作词云的完整代码

# -*- coding: utf-8 -*-
# Author：@渡舛
# 2019年7月10日

import jieba
from wordcloud import WordCloud

class Wordcloud(object):
    def __init__(self):
        pass

    def createWordCloud(self):
        text = open("News.txt", encoding='utf-8').read()
        # 分词
        wordlist = jieba.cut(text, cut_all=True)
        wl = " ".join(wordlist)

        # 设置词云
        wc = WordCloud(
            # 设置背景颜色
            background_color="white",
            # 设置最大显示的词云数
            max_words=2000,
            # 这种字体都在电脑字体中，一般路径
            font_path='C:\Windows\Fonts\simfang.ttf',
            height=1200,
            width=1600,
            # 设置字体最大值
            max_font_size=100,
            # 设置有多少种随机生成状态，即有多少种配色方案
            random_state=30,
        )

        wc.generate(wl)  # 生成词云
        wc.to_file('py_book.png')  # 把词云保存下

5.2 注意事项

使用 pip install wordcould安装词云模块的时候可能会报错，然而报错的原因不尽相同，所以大家在安装的时候如果安装失败了请自行解决

5.3 词云展示

py_book.png

总结

之前说的将"学院要闻"首页的新闻单独拿出来进行爬虫，也不是可以，但是我要吃饭去了就不写了，这个对最后的结果影响不大。读者们可以自行尝试。

由于新闻网的新闻较多，共有1000多条，在爬取的时候可以选择使用多线程或者多进程来加快爬取的速度，但是需要注意的是，要合理爬取，不要对网站造成破坏，爬取速度过快也会导致你的 IP 被封掉。这时候就需要反反爬虫技术的知识了。

咱们学院的新闻网也是存在反爬虫的。

1，访问过快会封掉 IP

2，不加请求头不能返回正确页面

3，好像就这么多了

Python爬虫之爬取南开大学滨海学院新闻网所有新闻并做成词云

前言

0. 准备工作

1. 构造所有页面

2. 获取所有新闻链接

3. 获取所有新闻的内容

4. 使用多线程加快爬取速度

4.1 关于多线程，这里摘取了廖雪峰老师官网的部分内容：

4.2 什么是Queue：

4.3 爬虫的完整代码

5. 制作词云

5.1 制作词云的完整代码

5.2 注意事项

5.3 词云展示

总结

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读