python_爬虫_腾讯新闻app 单页新闻数据分析爬取

软件：charles、pycharm

平台：mac

 

网址：https://view.inews.qq.com/a/20180718A1WSEB00?uid=

 

第一步：获取api接口

1、电脑中安装charles抓包软件，与手机处于同一wifi网络下，将charles作为手机端的代理服务器。

　　主机名：IP地址为电脑端的IP，

　　端口号：根据电脑端的charles软件设置为8888

 

2、打开手机端腾讯新闻app，charles软件抓取具体api接口（这里不详细介绍）得到接口：https://view.inews.qq.com/a/20180718A1WSEB00?uid=

 

第二步：分析

1、查看 通过Chrome浏览器检查看到代码无问题

 

 

　　但打开源代码，是这样的，说明网页数据提取之后还需要进行转码

　　这样肯定没有办法提取，所以主要的问题，集中在了解析网页的数据构成，以及解析。

2、分析 这次单页面主要爬取的信息就两种，新闻文本、以及图片。

　　先说文字，源代码里js代码与unicode混在一起，看的眼晕头发麻，所以最主要是要将内容分离。再转码。这个页面提取时，我是分两步，第一步，先提取文字，再提取图片

　　先从文章作者那里开始，通过re匹配提取整篇文件，提取后的数据进行转码后是这个样子的，图片的url还需要进行提取，所以还需要再使用一次re匹配，单独提出图片的地址，并将图片中的图片地址进行替换（替换成本地或者网上的url）

 

第三步：代码

import json,re
import requests


def getImg():
    response = requests.get('http://view.inews.qq.com/a/20180718A1WSEB00?uid=')
    html = response.text
    # ------------------------------
    news_pat = re.compile(r'"cnt_html":"(.*)","content":[{"type":"cnt_article","desc":',re.S)
    news = news_pat.search(html).group(1).encode('utf-8').decode('unicode_escape').replace('/','/') # 源新闻


    img_list = []
    info_pat = re.compile(r'("content":[{"type":"cnt_article".*?)</script>',re.S) # 获取图片地址的正则
    result = info_pat.search(html).group(1)
    img_pat = re.compile(r'{"type":"img_url".*?"desc":null}')
    img_resu = img_pat.findall(result)
    for rese in img_resu:
        res = json.loads(rese)
        img_list.append(res['img_url']) # 图片地址，存储成一个列表

    imgurl_pat = re.compile(r'(<!--IMG_.*?-->)') # 获取文件中图片url并替换的正则
    img_url = imgurl_pat.findall(news)
    for i in range(len(img_list)):

        if img_url[i] in news:
            news = news.replace(img_url[i], '<img src="'+img_list[i]+'" alt="">')
        else:
            print('不成功')
    print(news)

if __name__ == '__main__':

    getImg()

最终将内容简单保存在html文件里，效果如下

这条新闻的提取难度主要就在解析上，几个正则干下来有些蒙。 上面的代码就是最终，但暂时没有下载图片，并且也没有把信息存数据库，也没有title imeauthor等条目，仅做爬虫练习。

另外，求份爬虫工作~~~