最近要做一个食品安全方面的项目，需要爬取新闻。于是想到之前用BeautifulSoup爬虫还是非常方便的，今天正好试了一下，可行。
爬取的链接如下:http://news.sohu.com/1/0903/61/subject212846158.shtml
结构如下：
从第二页开始的链接格式是:
逐页递减（即1091、1090如此）。
需要的内容: 标题、时间、来源、作者、全文。
准备: urllib2, BeautifulSoup, lxml
先引入这几个库
import urllib2
import lxml
from bs4 import BeautifulSoup
先用开发者工具得到headers(当然我们这里不用headers也可以)
headers = {
"User-Agent": "ozilla/5.0 (Macintosh; Intel Mac OS X 10_12_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36"}
def sina_news(url,i):
request = urllib2.Request(url,headers=headers)
#发送请求，带headers
response = urllib2.urlopen(request)
#得到response
html_doc = response.read()
#读取得到HTML文件
soup = BeautifulSoup(html_doc,'lxml')
#对HTML使用lxml解析器进行解析
titles = soup.select('td.newsblue1 > a:nth-of-type('+str(i)+')')
#利用selector获得titles
time = soup.select('td.newsblue1 > span:nth-of-type('+str(i)+')')
#同上
print titles[0].get_text()
#由于select返回的是表，表的第一个元素是我们要的，所以titles[0],.get_text()是为了去掉一些HTML代码，只得到内容值
print time[0].get_text()
print titles[0]['href']利用selector进行解析的时候是用到了开发者工具的定位功能，定位元素后，右键copy-selector即可，当然要注意nth-child(x)需要改成nth-of-type(x),在这里我们用了
nth-of-type('+str(i)+')')
这样的表达方式，是因为在该页面的结构中，新闻是以子项目排列的。如第一条就是nth-of-type(1),第二条就是nth-of-type(2)，如此列推。测试一下结果：
for i in range(1,201):
sina_news('http://news.sohu.com/1/0903/61/subject212846158.shtml',i)结果如下：
现在仅仅是解决了标题、时间、链接，我们还有来源，作者。但是我们已经获得了每一条新闻的链接，那么这就很好办了。
我们先看一下每一条新闻的结构：
同理、很容易就能提取出来源、责任编辑。代码如下：
def get_source(url):
request = urllib2.Request(url,headers=headers)
response = urllib2.urlopen(request)
html_doc = response.read()
soup = BeautifulSoup(html_doc,'lxml')
sources = soup.select('#media_span')
editor = soup.select('#editor_baidu')
return sources,editor
在原来的函数中增加如下代码：
sources,editor = get_source(titles[0]['href'])if(sources):
print sources[0].get_text()
if(editor):
print editor[0].get_text()由于来源和责任编辑不一定每一条新闻都有，因此这里加了一个判断条件。现在看看效果。
效果还可以，再提取所有页面的内容
def get_singalpage_all(url):
for i in range(1,201):
sina_news(url,i)
def get_all_page():
url = 'http://news.sohu.com/1/0903/61/subject212846158'
for i in range (1091,990,-1):
wholeURL = url + '_' + str(i) + '.shtml'
get_singalpage_all(wholeURL)
调用一下：
get_singalpage_all('http://news.sohu.com/1/0903/61/subject212846158.shtml')
get_all_page()
成功爬取了所有国内要闻。
上面已经是全部源代码了，当然如果你觉得这样看很麻烦的话，可以在这里下载：
