首页 > 代码库 > Python爬虫项目,获取所有网站上的新闻,并保存到数据库中,解析html网页等

Python爬虫项目,获取所有网站上的新闻,并保存到数据库中,解析html网页等

1、需求说明

需求: 
爬取虎嗅网站的所有新闻,并保存到数据库中。 
http://www.huxiu.com

技术: 
1、爬虫 
获取服务器的资源(urllib) 
解析html网页(BeautifulSoup) 
2、数据库技术 
数据库 MySQLdb 
业务逻辑的分析: 
(1)、虎嗅网站的新闻,包括首页和分页信息(下一页) 
(2)、需要从首页的资源和分页的资源中获取每个新闻的url连接 
如何获取url: 
解析网站html文件,如果A标签的href属性包含 article字段,就表示这是一个新闻 
(3)访问新闻的url,解析出想要的字段

http://www.woaipu.com/shops/zuzhuan/61406

http://www.woaipu.com/shops/zuzhuan/61406

Python爬虫项目,获取所有网站上的新闻,并保存到数据库中,解析html网页等