Python爬虫实战(一):腾讯新闻的较真查证平台,抓取疫情谣言数据
追风赶月莫停留,平芜尽处是春山。
文章目录
- 追风赶月莫停留,平芜尽处是春山。
- 一、网页分析
- 二、接口分析
- url分析
- 返回数据分析
- 三、编写代码
- 完整代码
2021.7.14更新:浏览器标识使用 Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:89.0) Gecko/20100101 Firefox/89.0
也就是火狐浏览器内核的,我发现用chrome已经加载不出新的一页了。文中的代码已经更新了。
一、网页分析
打开网址 较真查证平台
打开开发者模式,刷新网页,往下翻看的时候注意到刷新出来了一个请求 URL
请求到的数据是
正好能够和网页中的内容对应起来。
其中还包含标题、言论的真实性、时间、查证的要点以及查证者。
二、接口分析
url分析
https://vp.fact.qq.com/loadmore?artnum=0&token=U2FsdGVkX19IPDkKITF2xCZa%252FxETYaJM%252BPz7pppjc5ZVBjEbahmQ%252F33hOL42W%252BAN&page=1&stopic=&_=1619407484449&callback=jsonp1
我们可以很容易的发现page=1是表示页数,去验证一下发现当page=0的时候其实返回的是第一页的数据。
token=U2FsdGVkX19IPDkKITF2xCZa%252FxETYaJM%252BPz7pppjc5ZVBjEbahmQ%252F33hOL42W%252BAN,这个就是网站设置的Session。其实这个让他保持不变就行,失效了再换
stopic=&_=1619407484449,看到后面的13位数字第一反应是时间戳,而且还是毫秒级别的时间戳,事实便是如此。
返回数据分析
虽然显示的返回数据类型是text类型,但是看这浏览的格式总感觉像是JSON格式的
发现返回的数据是jsonp1(json_data)
这种格式的,所以咱们只要把jsonp1()
去掉然后提取中间的内容就可以格式化为json
数据了
三、编写代码
知道了url规则,以及返回数据的格式,那现在咱们的任务就是构造url然后请求数据
我们可以设置两个变量page, timestamp
代表页数和时间戳
page
改变很简单,用for循环直接循环就OK
for page in range(0, 100):
timestamp
的话就要借助time
库来生成
timestamp = int(time.time()*1000)
现在来构造url:
url = "https://vp.fact.qq.com/loadmore?artnum=0&token=U2FsdGVkX19IPDkKITF2xCZa%252FxETYaJM%252BPz7pppjc5ZVBjEbahmQ%252F33hOL42W%252BAN&page={}&stopic=&_={}&callback=jsonp1".format(page, timestamp)
接下来生成前100页的url:
for page in range(0, 100):timestamp = int(time.time()*1000)url = "https://vp.fact.qq.com/loadmore?artnum=0&token=U2FsdGVkX19IPDkKITF2xCZa%252FxETYaJM%252BPz7pppjc5ZVBjEbahmQ%252F33hOL42W%252BAN&page={}&stopic=&_={}&callback=jsonp1".format(page, timestamp)
对于每个url我们都要去用requests
库中的get
方法去请求数据:
所以我们为了方便就把请求网页的代码写成了函数get_html(url)
,传入的参数是url
返回的是请求到的内容。
def get_html(url):headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:89.0) Gecko/20100101 Firefox/89.0"}response = requests.get(url, headers=headers)response.encoding = response.apparent_encodingtime.sleep(3) # 加上3s 的延时防止被反爬return response.text
现在我们用到的requests.get()
只传入了两个参数url, headers
,其实还有更多参数,请读者自行百度。
这个网站只需要这两个参数就足够了。
传入headers
目的是为了模拟浏览器进行访问,防止被反爬。
可以在这里找到headers 的相关信息,我们现在只需要其中的user-agent
就足够了。
上文说到返回的数据其实是个伪json
格式的数据,我们做一下处理就能变成json
格式的数据
for page in range(0, 100):timestamp = int(time.time()*1000)url = "https://vp.fact.qq.com/loadmore?artnum=0&token=U2FsdGVkX19IPDkKITF2xCZa%252FxETYaJM%252BPz7pppjc5ZVBjEbahmQ%252F33hOL42W%252BAN&page={}&stopic=&_={}&callback=jsonp1".format(page, timestamp)html = get_html(url) # 此时html里面存的是伪json格式的数据html = html[7:-1] # 用字符串提取提取出来中间的json格式的内容
我们使用json
库来格式化数据使其更方便我们后续的提取
response = json.loads(html)
到此,数据处理部分就完成了,下一步就是数据提取了。
我们发现数据都在content
标签下,所以我们用
response = response['content']
来提取列表里数据,此时response是一个列表类型的数据
那我们就来遍历这个列表提取所需要的数据并存到一个字典中
for i in response:data = {}data['explain'] = i['explain']data['title'] = i['title']data['date'] = i['date']data['result'] = i['result']data['author'] = i['author']data['abstract'] = i['abstract']
那接下来就是保存了,我也写了个函数save_data(data)
传入的是字典类型的数据
def save_data(data):title = ["title", "date", "explain", "result", "author", "abstract"]with open("疫情谣言数据.csv", "a", encoding="utf-8", newline="")as fi:fi = csv.writer(fi) # 引入csv库fi.writerow([data[i] for i in title]) # 写入文件
提取完数据然后调用保存函数就OK了
for i in response:data = {}data['explain'] = i['explain']data['title'] = i['title']data['date'] = i['date']data['result'] = i['result']data['author'] = i['author']data['abstract'] = i['abstract']save_data(data)
完整代码
# -*- coding:utf-8 -*-
# @time: 2021/4/26 11:05
# @Author: pioneer
# @Environment: Python 3.7
import json
import requests
import csv
import timedef get_html(url):headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:89.0) Gecko/20100101 Firefox/89.0"}response = requests.get(url, headers=headers)response.encoding = response.apparent_encoding # 自动识别并设置编码time.sleep(3) # 加入3s延时,防止被反爬return response.textdef save_data(data):title = ["title", "date", "explain", "result", "author", "abstract"]with open("疫情谣言数据.csv", "a", encoding="utf-8", newline="")as fi:fi = csv.writer(fi) # 导入csv库fi.writerow([data[i] for i in title]) # 写入文件def get_data():for page in range(0, 100):print(page)timestamp = int(time.time()*1000)url = "https://vp.fact.qq.com/loadmore?artnum=0&token=U2FsdGVkX19IPDkKITF2xCZa%252FxETYaJM%252BPz7pppjc5ZVBjEbahmQ%252F33hOL42W%252BAN&page={}&stopic=&_={}&callback=jsonp1".format(page, timestamp)html = get_html(url) # 此时html里面存的是伪json格式的数据html = html[7:-1] # 用字符串提取提取出来中间的json格式的内容response = json.loads(html)response = response['content'] # 提取数据列表for i in response:data = {}data['explain'] = i['explain']data['title'] = i['title']data['date'] = i['date']data['result'] = i['result']data['author'] = i['author']data['abstract'] = i['abstract']save_data(data)if __name__ == '__main__':get_data()
得到的部分数据截图
欢迎一键三连哦!
还想看哪个网站的爬虫?欢迎留言,说不定下次要分析的就是你想要看的!
Python爬虫实战(一):腾讯新闻的较真查证平台,抓取疫情谣言数据相关推荐
- [Python爬虫] 之二十二:Selenium +phantomjs 利用 pyquery抓取界面网站数据
一.介绍 本例子用Selenium +phantomjs爬取界面(https://a.jiemian.com/index.php?m=search&a=index&type=news& ...
- Python爬虫学习获取腾讯新闻并存入Csv文件
with open('09_腾讯新闻.csv','a+') as f: 这样子写入的话产生的csv文件每行后面都会多一条空行,添加newline=''即可消除空行: 即with open('09 ...
- Python爬虫学习获取腾讯新闻并存入Excel
import requests import json import xlwt import osheaders={'referer': 'https://news.qq.com/','user-ag ...
- Python爬虫 + 人脸检测 + 颜值检测 = 知乎高颜值图片抓取
声明:文中所有文字.图片以及相关外链中直接或间接.明示或暗示涉及性别.颜值分数等信息全部由相关人脸检测接口给出.无任何客观性,仅供参考. 1 数据源 知乎话题『美女』下所有问题中回答所出现的图片 2 ...
- python爬虫搜特定内容的论文_python基于BeautifulSoup实现抓取网页指定内容的方法...
python基于BeautifulSoup实现抓取网页指定内容的方法 更新时间:2015年07月09日 10:12:50 作者:光索与诺 这篇文章主要介绍了python基于BeautifulSoup实 ...
- python爬取网页上的特定链接_自学python爬虫二:如何正常操作urllib2通过指定的URL抓取网页内容...
所谓网页抓取, 就是把URL地址中指定的网络资源从网络流中读取出来,保存到本地. 类似于使用程序模拟IE浏览器的功能,把URL作为HTTP请求的内容发送到服务器端, 然后读取服务器端的响应资源. 在P ...
- python爬虫实战——猫眼电影案例
python爬虫实战--猫眼电影案例 ·背景 笔者上一篇文章<基于猫眼票房数据的可视化分析>中爬取了猫眼实时票房数据,用于展示近三年电影票房概况.由于数据中缺少导演/演员/编剧阵容等信 ...
- Python爬虫实战项目:简单的百度新闻爬虫
这个实战例子是构建一个大规模的异步新闻爬虫,但要分几步走,从简单到复杂,循序渐进的来构建这个Python爬虫 本教程所有代码以Python 3.6实现,不兼顾Python 2,强烈建议大家使用Pyth ...
- Python爬虫实战之(五)| 模拟登录wechat
作者:xiaoyu 微信公众号:Python数据科学 知乎:Python数据分析师 不知何时,微信已经成为我们不可缺少的一部分了,我们的社交圈.关注的新闻或是公众号.还有个人信息或是隐私都被绑定在了一 ...
最新文章
- 如何读论文?-如何写好科技论文之我见(八)
- linux系统自签发免费ssl证书,为nginx生成自签名ssl证书
- 计算机中减法英语,计算机中的减法运算
- vue-router和react-router嵌套路由layout配置方案的区别
- webbrowser 打开支付宝网页提示无权打开_在押人员生活缴费更便利:支付宝线上“智慧监所”...
- 2021年3月计算机语言排名,2021年3月编程语言排行榜:TOIBE将迎来重大改变,SQL如愿挤进前十...
- 如何选择适合自己的相机?
- 如何下载FLASH动画
- RFID-射频识别技术
- python手机端抢票大麦网_大麦网抢票攻略1.0
- 【无标题】单分子纳米孔测序技术及其应用研究进展
- Stata:如何生成天马行空的空间权重矩阵?
- not within a switch statement_【实用教程】Switch无法登录关联任天堂账号怎么办
- USB 驱动程序(转贴)
- 多个txt合并成一个txt(简单易操作)
- 收集的各个方向的开发视频教程,分享给自学的同学
- C#-窗体通讯录系统
- BugkuCTF-Web-你必须让他停下
- Symfony 介绍
- git 提交 全部文件
热门文章
- 汇编中OF,PF,AF,ZF,SF,CF各自的意义
- ​​​​​​​信息对称
- NOIp2018集训test-9-16(联考二day2)
- Netty系列之Netty线程模型
- 华为硬件工程师手册_华为认证物联网工程师HCIAIoT V2.0正式发布!
- Golang将十进制转化为二进制字符串
- a = [1,2,3,4,5,6,7,8] for i in a: a.remove(i) print(a)求输出结果
- 我爱你,I love you
- 天池大赛之工业蒸汽量预测(有史以来最全面)
- 第四周毛概课学习心得