python爬取某站新闻，并分析最近新闻关键词

在爬取某站时并做简单分析时，遇到如下问题和大家分享，避免犯错：

 

一丶网站的path为 /info/1013/13930.htm ，其中13930为不同新闻的 ID 值，但是这个数虽然为升序，但是没有任何规律的升序。

　　解决办法：

　　　使用 range 顺序爬取，错误的网站在页面会报如图错误：

　　　这时我们首先去判断返回页面是否包含 str 'Sorry, Page Not Found'，如果包含则跳过，不包含则爬取页面关键信息

　　

 

二、在爬取过程中发现有其它页面，该内容已经被撤销，这时我正常去判断页面，并跳过，发现无法跳过

　　

 

　　

 

 

 

 　　解决办法：

　　　　查看页面编码为：UTF-8

　　

 

　　　　在用 if 判断页面是否存在 str 时，首先将页面内容进行UTF-8编码即可解决：

 

 　　　　response.encoding = 'utf-8'

 

三、在爬取网站时，遇到了没有 text 的主页面，新闻全部为图片

　　解决办法：这时查看图片页面和新闻页面的不同

　　图片页面关键标签：

　　

 

 

 　　新闻页面关键标签：

　　

 

　　发现div标签下的 ID 不同，这时我们就跳过 id = 'vsb_content' 即可，在跳过时，判断页面内容应当先判断 id = 'vsb_content_4' ,因为 vsb_content_4 包含了 vsb_content

 　　

 

 四、在爬取新闻后，将新闻写入csv文件时出现BUG，文件内容有重复

　　解决办法：

　　　在写入文件的列表写入后将列表清空，因为在循环执行跳过不存在页面时会有空隙，这时的data_list里面是有内容的

　　

 

 

 五、在写入csv文件后，新闻文本乱码

　　解决办法：使用utf-8-sig编码

　　　为什么不用utf-8?

　　原因如下：
　　　1、”utf-8“ 是以字节为编码单元,它的字节顺序在所有系统中都是一样的,没有字节序问题,

　　　　因此它不需要BOM,所以当用"utf-8"编码方式读取带有BOM的文件时,它会把BOM当做是文件内容来处理, 也就会发生类似上边的错误.

　　2、“uft-8-sig"中sig全拼为 signature 也就是"带有签名的utf-8”,

　　　　因此"utf-8-sig"读取带有BOM的"utf-8文件时"会把BOM单独处理,与文本内容隔离开,也是我们期望的结果.

 

 

 最终代码：

  1 #!/user/bin/env python
  2 # -*- coding:utf-8 -*-
  3 # Author: Mr.riy
  4 
  5 
  6 import re
  7 import requests
  8 import csv
  9 import time
 10 import jieba
 11 import jieba.analyse
 12 from requests.exceptions import RequestException
 13 from bs4 import BeautifulSoup
 14 
 15 
 16 class Downloader:
 17     def __init__(self):
 18         self.data_list = []
 19 
 20     def download(self, url, num_retries=3):
 21         '判断页面'
 22         print('Downloading:', url)
 23         global response
 24         response = requests.get(url)
 25         response.encoding='utf-8'
 26         try:
 27             if 'Sorry, Page Not Found' in response.text:
 28                 print(url, '页面不存在')
 29             elif '该内容已经被撤销' in response.text:
 30                 print(url, '页面不存在')
 31             elif response.status_code == 200:
 32                 print('下载成功，开始执行......')
 33                 # print(response.text)
 34                 # print(response.encoding)
 35                 page = response.content
 36                 self.find_all(page)
 37                 time.sleep(1)
 38             else: 
 39                 if num_retries > 0 and 500 <= response.status_code <= 600:
 40                     html = self.download(url, num_retries-1)
 41         except RequestException as e:
 42             print(e)
 43 
 44     def find_all(self, page):
 45         '爬取内容'
 46         soup_title = BeautifulSoup(page, 'lxml')
 47         sp_title_items = soup_title.find('h2', attrs={'align': 'center'})
 48         title = sp_title_items.text
 49         print(title)
 50 
 51         sp_time_items = soup_title.find('div', attrs={'style': 'line-height:400%;color:#444444;font-size:14px'})
 52         times = sp_time_items.text
 53         # print(times)
 54         time = re.findall(r'\d{4}年\d{2}月\d{2}日 \d{2}:\d{2}', times)
 55         # print(time)
 56         author = re.findall(r'作者:(.*)', times)
 57         # print(author)
 58         global response
 59         if 'vsb_content_4' in response.text:
 60             sp_words_items = soup_title.find('div', attrs={'id': 'vsb_content_4'})
 61         elif 'vsb_content_501' in response.text:
 62             sp_words_items = soup_title.find('div', attrs={'id': 'vsb_content_501'})
 63         else:
 64             sp_words_items = soup_title.find('div', attrs={'id': 'vsb_content'})
 65 
 66         words = sp_words_items.text
 67         # print(words)
 68         row = []
 69         row.append(time)
 70         row.append(author) 
 71         row.append(words)
 72         self.data_list.append(row)
 73 
 74     def write_csv(self, filename, all_list):
 75         '写入csv文件'
 76         with open(filename, 'w', encoding="utf-8-sig", newline='') as f:
 77             writer = csv.writer(f)
 78             fields = ('时间', '作者', '内容')
 79             writer.writerow(fields)
 80             for row in all_list:
 81                 writer.writerow(row)
 82 
 83     def fetch_data(self):
 84         '设置爬取页面'
 85         all_list = []
 86         for page in range(13795, 14000, 1):  #设置爬取的页面范围
 87             url = f'http://www.xxxxxx.cn/info/1013/{page}.htm'
 88             self.download(url)
 89             all_list += self.data_list
 90             self.data_list = []
 91 
 92         self.write_csv('data.csv', all_list)
 93 
 94 
 95 class analyze:
 96     def get_all_text(self, filename):
 97         '取出所有评价的句子'
 98         comment_list = []
 99         with open(filename, encoding="utf-8-sig") as f:
100             rows = csv.reader(f)
101             for row in rows:
102                 one_comment = row[-1]
103                 comment_list.append(one_comment)
104 
105         return ''.join(comment_list[1:])
106 
107     def cut_text(self, all_text):
108         '找到评价中重要关键词'
109         jieba.analyse.set_stop_words('stop_words.txt')
110         text_tags = jieba.analyse.extract_tags(all_text, topK=30)
111         return text_tags
112 
113 
114 def main():
115     temp = Downloader()
116     temp.fetch_data()
117     b = analyze()
118     all_text = b.get_all_text('data.csv')
119     text_tags = b.cut_text(all_text)
120     print(text_tags)
121 
122 
123 if __name__ == "__main__":
124     main()
View Code

 

 运行截图：最近新闻出现最多的关键字为：防疫，疫情，工作

 

posted @ 2020-02-27 13:27  riyir  阅读(4444)  评论(0)  编辑  收藏  举报