PY爬取百度新闻搜索所有结果

#!/usr/bin/python
# -*- coding: utf-8 -*-
#coding=utf-8

from bs4 import BeautifulSoup 
import requests 
import sys
import time 
import urllib.request
from urllib import parse 
import  re
import copy
import datetime
import MySQLdb
import socket


#创建表    
use=''            #数据库用户名
password=''       #数据库密码
host=''          #数据库ip
database=''     #数据库名  


#功能:去除不可见字符
#参数:
#     str        (in)        要解析的字符串     
#返回值:返回处理过后的字符串
def confir(str):
    for i in range(0,32):
        str = str.replace(chr(i),'')
    return  str


#功能:打开数据连接  
#参数:use             数据库用户名
#      password        数据库密码
#      host            数据库IP地址
#      database        数据库名
#返回值:成功返回数据库句柄
def openMysql(use, password, host, database):
    conn = MySQLdb.connect(host, use, password, database, charset='utf8')
    return conn


#功能:关闭数据库连接 
#参数:数据库句柄
#返回值:无返回值
def closeMysql(conn):
    conn.close()


#功能:获取网页数据内容
#参数:
#    url      (in)      网页url
#返回值:
def getHtml(url):
    try:
        headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36',
        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
        'Accept-Language': 'zh-CN,zh;q=0.8'
        }
        req = urllib.request.Request(url, None, headers, None, False)
        response = urllib.request.urlopen(req)
        html = response.read().decode('utf-8','ignore') 
        html = BeautifulSoup(html,'html.parser')
        return html

    except AttributeError as e:
        return None



#功能:解析网页,获取下一页
#参数:
#    url       要解析的网页
#返回值:成功返回下一页url
def tableutl(url):
    #从网络获取网页内容
    html =  getHtml(url)
    
    endpage = " "
    #解析页,获取最后一条
    pages = html.find_all('p', id="page")   
    for pg in pages:
        for pgurl in pg.find_all('a', class_="n"):
            if pgurl.getText() == "下一页>":
                endpage = pgurl.get('href') 
        break
    return endpage



#功能:解析百度新闻搜索列表页
#参数:
#    url       (in)        百度搜索列表页
#返回值:
def parsetable(url):
    html = getHtml(url)
    table = html.find_all('div', id="container", class_ ="container_s") 
    dict = {
            'ListId':'',
            'Taskid':'',
            '当前页码':'',
            '标准编号':'',
            '标准名称':'',
            '发布部门':'',
            '实施日期':'',
            '状态':'',
            '详情链接':'',
            '采集状态':'',
            '采集机IP':'',
            '采集时间':'',
            '当前页面访问次数':''       
                }
    conn = openMysql(use, password, host, database)
    cursor = conn.cursor()
    #创建表    
    createtabsql = """CREATE TABLE IF NOT EXISTS baidulistpage(
                    listid  VARCHAR(20),
                    taskid  VARCHAR(20),
                    current_page_num VARCHAR(100), 
                    standard_encd VARCHAR(100),
                    standard_name VARCHAR(100),
                    release_department VARCHAR(100),
                    Implementation_date VARCHAR(100),
                    start VARCHAR(20),
                    detail_link VARCHAR(56),
                    acqui_status VARCHAR(28),
                    collector_ip VARCHAR(56),
                    acqui_time VARCHAR(56),
                    current_page_visits VARCHAR(56));"""
    
    cursor.execute(createtabsql)
    conn.commit()
    #创建socket实例
    skt = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
    #连接8.8.8.8,8.8.8.8是google提供的公共dns服务器
    skt.connect(('8.8.8.8',80))
    #获得连接信息,是一个tuple (ip,port)
    socketIpPort = skt.getsockname()
    ip = socketIpPort[0]
    skt.close()
    for divtag in html.find_all('div', id="wrapper_wrapper"):
        dict = {
            'ListId':'',
            'Taskid':'',
            '当前页码':'',
            '标准编号':'',
            '标准名称':'',
            '发布部门':'',
            '实施日期':'',
            '状态':'',
            '详情链接':'',
            '采集状态':'',
            '采集机IP':'',
            '采集时间':'',
            '当前页面访问次数':''       
                }
        dt = datetime.datetime.now()
        dict['详情链接'] = url  
        dict['采集机IP'] = ip
        dict['采集时间'] = dt.strftime("%Y-%m-%d %H:%M:%S")
        for div in divtag.find_all('div', class_="result"):         
            for h3 in div.find_all('h3'):
                for a in h3.find_all('a'):                  
                    dict['详情链接'] = a.get('href')
                    dict['标准名称'] = confir(a.getText().replace(" ", ""))                 
            for p in div.find_all('p'):
                tr = confir(p.getText().replace(" ", "")).replace(u'\xa0\xa0', u':')
                str1 = re.split(r":", tr)               
                key = copy.copy(str1)
                if len(key) < 2:
                    dict['实施日期'] = key[0]
                else:
                    dict['发布部门'] = key[0]
                    dict['实施日期'] = key[1]
                
                
                #print(confir(p.getText().replace(" ", "")).replace(u'\xa0', u':')) #'\xa0' = &nbps 空格
            instelldatasql = "INSERT INTO baidulistpage(listid,taskid,\
                current_page_num,standard_encd,standard_name, \
                release_department,Implementation_date,start, \
                detail_link,acqui_status,collector_ip,acqui_time,\
                current_page_visits) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s);"           
            cursor.execute(instelldatasql, [dict['ListId'],dict['Taskid'],
            dict['当前页码'],dict['标准编号'],dict['标准名称'],
            dict['发布部门'],dict['实施日期'],dict['状态'],
            dict['详情链接'],dict['采集状态'],dict['采集机IP'],
            dict['采集时间'],'1'])
            conn.commit()   
    cursor.close()
    closeMysql(conn)



#功能:将搜索关键词插入数据库
#参数:
#    keyword       (in)      关键词
#返回值:无返回值
def mainfunction(keyword):
    #插入入口数据库
    initial = 'http://news.baidu.com'
    url = initial + "/ns?word=" + parse.quote(keyword) + "&tn=news&from=news&cl=2&rn=20&ct=1"
    
    dict = {
            'TaskId':'',
            '网站名称':'',
            '类别名称':'',
            '检索词':'',
            '附加参数':'',
            '入口链接':'',
            '采集状态':'',
            '采集时间':'',
            '采集机IP':'',
            '采集机名称':'',
            '采集起始时间':'',
            '采集结束时间':'',
            '采集间隔':''
                }
                
                
    #创建socket实例
    skt = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
    #连接8.8.8.8,8.8.8.8是google提供的公共dns服务器
    skt.connect(('8.8.8.8',80))
    #获得连接信息,是一个tuple (ip,port)
    socketIpPort = skt.getsockname()
    ip = socketIpPort[0]
    skt.close()
    
    dt = datetime.datetime.now()
    html =  getHtml(initial)
    title = html.find_all('title')  
    #print(title[0].getText())
    dict['网站名称'] = title[0].getText()
    dict['类别名称'] = '新闻'
    dict['检索词'] = keyword
    dict['入口链接'] = url
    dict['采集机IP'] = ip
    dict['采集时间'] = dt.strftime("%Y-%m-%d %H:%M:%S")
    dict['采集机名称']  = socket.getfqdn(socket.gethostname())
    
    
    conn = openMysql(use, password, host, database)
    cursor = conn.cursor()
    createtabsql = """CREATE TABLE IF NOT EXISTS baiduentrance(
                    task_id  VARCHAR(50),
                    website_name  VARCHAR(100),
                    class_name VARCHAR(100), 
                    search_term VARCHAR(100),
                    additi_para VARCHAR(100),
                    entrance_link VARCHAR(100),
                    acqui_status VARCHAR(100),
                    acqui_time VARCHAR(56),
                    collector_ip VARCHAR(28),
                    collector_name VARCHAR(56),
                    acqui_start_time VARCHAR(56),
                    acqui_end_time VARCHAR(56),
                    collecor_interval VARCHAR(56)
                    );"""
    cursor.execute(createtabsql)
    conn.commit()
    dict['采集状态'] = '已采集'
    
    instelldatasql = "INSERT INTO baiduentrance(task_id,website_name,\
                class_name,search_term,additi_para, \
                entrance_link,acqui_status,acqui_time, \
                collector_ip,collector_name,acqui_start_time,\
                acqui_end_time,collecor_interval) VALUES(%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s,%s);"          
    cursor.execute(instelldatasql, [dict['TaskId'],dict['网站名称'],
            dict['类别名称'],dict['检索词'],dict['附加参数'],
            dict['入口链接'],dict['采集状态'],dict['采集时间'],
            dict['采集机IP'],dict['采集机名称'],dict['采集起始时间'],
            dict['采集结束时间'],dict['采集间隔']])
    conn.commit()   
    cursor.close()
    closeMysql(conn)


if __name__ == "__main__":
    keyword = sys.argv[1]   
    url = "http://news.baidu.com/ns?word=" + parse.quote(keyword) + "&tn=news&from=news&cl=2&rn=20&ct=1"
    newurl = ''
    parsetable(url)
    url_1 = "http://news.baidu.com" + tableutl(url) 
    mainfunction(keyword)
    for i in range(1,101):      
        url_2 = url_1           
        parsetable(url_2)           
        url_1 = "http://news.baidu.com" + tableutl(url_2)

运行命令:

python3.4 baidunews.py 吴恩达
baiduNews
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,294评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,780评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,001评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,593评论 1 289
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,687评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,679评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,667评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,426评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,872评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,180评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,346评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,019评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,658评论 3 323
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,268评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,495评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,275评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,207评论 2 352

推荐阅读更多精彩内容