如何通過Python爬蟲按關鍵詞抓取相關的新聞

這篇文章主要介紹了如何通過Python爬蟲按關鍵詞抓取相關的新聞，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

前言

首先，如果從新聞直接進行搜索，你會發現其內容最多顯示20頁，因此我們要從新浪的首頁進行搜索，這樣才沒有頁數的限制。

網頁結構分析

<div class="pagebox">

進入新浪網并進行關鍵字搜索之后，發現無論如何翻頁網址都不會變，但是網頁的內容卻更新了，經驗告訴我這是通過ajax完成的，因此我把新浪的網頁代碼拿下來看了看。

顯而易見，每一次翻頁都是通過點擊a標簽向一個地址發送請求，如果你直接將這個地址放入瀏覽器的地址欄并回車：

那么恭喜你，收到錯誤了

認真看一下html的onclick，發現它是調用了一個叫getNewsData的函數，因此在相關的js文件中查找一下這個函數，可以看出它是在每次ajax請求之前構造了請求的url，并且使用get請求，返回的數據格式為jsonp(跨域)。

因此我們只要模仿它的請求格式就可以獲取數據了。

var loopnum = 0;
function getNewsData(url){
    var oldurl = url;
    if(!key){
        $("#result").html("<span>無搜索熱詞</span>");
        return false;
    }
    if(!url){
        url = 'https://interface.sina.cn/homepage/search.d.json?q='+encodeURIComponent(key);
    }
    var stime = getStartDay();
    var etime = getEndDay();
    url +='&stime='+stime+'&etime='+etime+'&sort=rel&highlight=1&num=10&ie=utf-8'; //'&from=sina_index_hot_words&sort=time&highlight=1&num=10&ie=utf-8';
    $.ajax({
        type: 'GET',
        dataType: 'jsonp',
        cache : false,
        url:url,
        success: //回調函數太長了就不寫了
    })

發送請求

import requests

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0",
}
params = {
    "t":"",
    "q":"旅游",
    "pf":"0",
    "ps":"0",
    "page":"1",
    "stime":"2019-03-30",
    "etime":"2020-03-31",
    "sort":"rel",
    "highlight":"1",
    "num":"10",
    "ie":"utf-8"
}

response = requests.get("https://interface.sina.cn/homepage/search.d.json?", params=params, headers=headers)
print(response)

這次使用的是requests庫，構造相同的url，并發送請求。結果收到的結果是冷冰冰的403Forbidden：

因此重新回到網站看看到底哪里出現了問題

從開發者工具中找到返回的json文件，并查看請求頭，發現它的請求頭帶有cookie，因此在構造headers時我們直接復制它的請求頭即可。再次運行，response200！剩下的就簡單了，只需要將返回的數據解析后寫入Excel。

完整代碼

import requests
import json
import xlwt

def getData(page, news):
    headers = {
        "Host": "interface.sina.cn",
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0",
        "Accept": "*/*",
        "Accept-Language": "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2",
        "Accept-Encoding": "gzip, deflate, br",
        "Connection": "keep-alive",
        "Referer": r"http://www.sina.com.cn/mid/search.shtml?range=all&c=news&q=%E6%97%85%E6%B8%B8&from=home&ie=utf-8",
        "Cookie": "ustat=__172.16.93.31_1580710312_0.68442000; genTime=1580710312; vt=99; Apache=9855012519393.69.1585552043971; SINAGLOBAL=9855012519393.69.1585552043971; ULV=1585552043972:1:1:1:9855012519393.69.1585552043971:; historyRecord={'href':'https://news.sina.cn/','refer':'https://sina.cn/'}; SMART=0; dfz_loc=gd-default",
        "TE": "Trailers"
    }

    params = {
        "t":"",
        "q":"旅游",
        "pf":"0",
        "ps":"0",
        "page":page,
        "stime":"2019-03-30",
        "etime":"2020-03-31",
        "sort":"rel",
        "highlight":"1",
        "num":"10",
        "ie":"utf-8"
    }

    response = requests.get("https://interface.sina.cn/homepage/search.d.json?", params=params, headers=headers)
    dic = json.loads(response.text)
    news += dic["result"]["list"]

    return news


def writeData(news):
    workbook = xlwt.Workbook(encoding = 'utf-8')
    worksheet = workbook.add_sheet('MySheet')

    worksheet.write(0, 0, "標題")
    worksheet.write(0, 1, "時間")
    worksheet.write(0, 2, "媒體")
    worksheet.write(0, 3, "網址")

    for i in range(len(news)):
        print(news[i])
        worksheet.write(i+1, 0, news[i]["origin_title"])
        worksheet.write(i+1, 1, news[i]["datetime"])
        worksheet.write(i+1, 2, news[i]["media"])
        worksheet.write(i+1, 3, news[i]["url"])

    workbook.save('data.xls')


def main():
    news = []
    for i in range(1,501):
        news = getData(i, news)
    writeData(news)

if __name__ == '__main__':
    main()

感謝你能夠認真閱讀完這篇文章，希望小編分享的“如何通過Python爬蟲按關鍵詞抓取相關的新聞”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!