python“抓取” 新浪新闻的内容并且打包成一个json文件保存下来

[TOC]
功能点
关键代码简要说明
完整代码

文中使用的python请求数据地址来源于 ruanyf/sina-news

python3

功能点

  • 抓取sina的新闻列表

  • 将抓取到的数据保存成一个json格式的json文件

关键代码简要说明

  • 装载容器

    将每条新闻封装为一个Model类

 class Model:
  def __init__(self, id, title, updateTime, jumpLink, tags) :
  self.id = id # 每条新闻的id
  self.title = title # 每条新闻的title
  self.updateTime = updateTime # 每条新闻的发布/更新时间
  self.jumpLink = jumpLink # 每条新闻的详情
  self.tags = tags # 每条新闻的tag列表</pre>
  • 对数据的操作

    1. 打开文件/保存
 def feedaskByPage(page): # 分页抓取和保存
          with open(jsonFileName, "a+", encoding='UTF-8') as file:
          #...#
          # 如果page != 1, 则说明不是第一页,则需要先读取原本保存的json文件后,将数据拼接到原数据后面
          if page != 1:
          # 因为打开文件的方式是 a+, 所以文件的读取指针是文件的最后一位,需要将指针移到第一位
          file.seek(0, 0) 
          toFileList = JSON.loads(file.read()) 
          #...#
          # 清空原本的文件
          file.seek(0)
          file.truncate()
          # print(toFileList.__len__())
          # 在保有json格式下保存到文件中
          _dataStr = JSON.dumps(toFileList, ensure_ascii = False,  indent = 4) # indent = 4 为json的行空格,这样保存的文件会以相对比较容易看看懂的形式存在,非必要参数
          file.write(_dataStr)
          file.close()
  1. 分页请求
 import time
         # 部分请求参数
         reqParams = {
          'page': 1,
          'page_size': 100
          #...# 
         }
         #...#
         response = requests.get(url=reqUrl, params= reqParams, headers= reqHeaders)
         reqParams['page'] = page
         json = response.json()
         #...#        
         def feedtask():
          print("start new round ....")
          for index in range(1, reqPage + 1):
          # print(index) 
          feedaskByPage(index)
          time.sleep(2) # 分页的请求间隔时间
          print("finish this round ....")
  1. 定时任务
 import schedule
         import time
         #...#
         schedule.every(15).minutes.do(feedtask) # 每15分钟抓取一次
         print("start schedule task ....")
         while True:
          schedule.run_pending()   # 运行所有可以运行的任务
          time.sleep(1)

完整代码

python3

 import requests
 import json as JSON
 import schedule
 import time
 
 reqUrl = 'https://zhibo.sina.com.cn/api/zhibo/feed'
 reqParams = {
  'page': 1,
  'page_size': 100,
  'zhibo_id': 152, ## 新闻专用
  'tag_id': 0,
  'dire': 'f',
  'dpc': 1,
  'type': 0
 }
 reqHeaders = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/42.0.2311.135 Safari/537.36 Edge/12.10130'}
 reqPage = 1 ## TODO 需要处理时间的排序问题
 jsonFileName = "./your_json_file_name.json"
 
 class ToFileModel:
  def __init__(self, id, title, updateTime, jumpLink, tags) :
  self.id = id
  self.title = title
  self.updateTime = updateTime
  self.title = title
  self.jumpLink = jumpLink
  self.tags = tags
 
 def feedaskByPage(page):
  with open(jsonFileName, "a+", encoding='UTF-8') as file:
  response = requests.get(url=reqUrl, params= reqParams, headers= reqHeaders)
  reqParams['page'] = page
  json = response.json()
  result = json['result']
  data = result['data']
  feed = data['feed']
  list = feed['list']
  toFileList = []
  toTagList = []
  # _data = {} 
  if page == 1:
  file.seek(0)
  file.truncate()
  else :
  file.seek(0, 0)
  # _data = JSON.loads(file.read())
  # toFileList = _data['list']
  toFileList = JSON.loads(file.read())
  for tmp in list:
  for tag in tmp['tag']:
  toFileTag = tag['name']
  toTagList.append(toFileTag)
  toFileList.append(
  ToFileModel(tmp['id'], tmp['rich_text'], tmp['update_time'], tmp['docurl'], toTagList)
  .__dict__)
  toTagList = []
  file.seek(0)
  file.truncate()
  print(toFileList.__len__())
  # _data['list'] = toFileList
  # JSON.dump(_data, file, ensure_ascii = False,  indent = 4)
  _dataStr = JSON.dumps(toFileList, ensure_ascii = False,  indent = 4)
  file.write(_dataStr)
  file.close()
 
 def feedtask():
  print("start new round ....")
  for index in range(1, reqPage + 1):
  # print(index) 
  feedaskByPage(index)
  time.sleep(2)
  print("finish this round ....")
 
 # schedule.every(3).seconds.do(feedtask)
 schedule.every(15).minutes.do(feedtask)
 print("start schedule task ....")
 while True:
  schedule.run_pending()   # 运行所有可以运行的任务
  time.sleep(1)
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 203,179评论 5 476
  • 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 85,229评论 2 380
  • 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 150,032评论 0 336
  • 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 54,533评论 1 273
  • 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 63,531评论 5 365
  • 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 48,539评论 1 281
  • 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 37,916评论 3 395
  • 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 36,574评论 0 256
  • 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 40,813评论 1 296
  • 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 35,568评论 2 320
  • 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 37,654评论 1 329
  • 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 33,354评论 4 318
  • 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 38,937评论 3 307
  • 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 29,918评论 0 19
  • 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 31,152评论 1 259
  • 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 42,852评论 2 349
  • 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 42,378评论 2 342

推荐阅读更多精彩内容