爬虫案例——网易新闻数据的爬取

案例需求：

1.爬取该新闻网站——（网易新闻）的数据，包括标题和链接

2.爬取所有数据（翻页参数）

3.利用jsonpath解析数据

分析：

该网站属于异步加载网站——直接网页中拿不到，需要借助fidder抓包工具拿取

可以看到第一页请求网址

https://news.163.com/special/cm_yaowen20200213/?callback=data_callback

第二页请求网址

https://news.163.com/special/cm_yaowen20200213_02/?callback=data_callback

第五页（最后一页）请求网址：

https://news.163.com/special/cm_yaowen20200213_05/?callback=data_callback

所以翻页代码如下：

首页地址为第一页地址

for i in range(2,6):
    print('==========', '当前是第{}页'.format(i))
    page_url = 'https://news.163.com/special/cm_yaowen20200213_0{}/?callback=data_callback'.format(i)

利用josnpath解析数据

因为该网页不是常规的josn源码数据，所以需要进行一些处理

text_data=data.split('data_callback(')[1]
# print(text_data)
text_data1 = text_data.split(')')[0]
# print(text_data1)
json_data = json.loads(text_data1)
title = jsonpath(json_data,'$..title')
url = jsonpath(json_data,'$..docurl')

处理解析数据

for i,j in zip(title,url):
    print(i)
    print(j)
    print('=======================================')

示例代码：

import requests
from jsonpath import jsonpath
import json
def get_data(url):
    headers = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'
    }
    r = requests.get(url,headers=headers)
    # print(r.text)
    return r.text
    # print(r.text)
    # print(r.json())
def parse_data(data):
    text_data=data.split('data_callback(')[1]
    # print(text_data)
    text_data1 = text_data.split(')')[0]
    # print(text_data1)
    json_data = json.loads(text_data1)
    title = jsonpath(json_data,'$..title')
    url = jsonpath(json_data,'$..docurl')
    for i,j in zip(title,url):
        print(i)
        print(j)
        print('=======================================')
    # print(title)
    # print(url)
if __name__ == '__main__':
    url = "https://news.163.com/special/cm_yaowen20200213/?callback=data_callback "
    # h = get_data()
    # parse_data(h)
    for i in range(2,6):
        print('==========', '当前是第{}页'.format(i))
        page_url = 'https://news.163.com/special/cm_yaowen20200213_0{}/?callback=data_callback'.format(i)
        h = get_data(page_url)
        parse_data(h)