我正在尝试为学生研究创建一个网络爬虫。我已经完成了,但我想告诉我我使用的方式是否是最好的。(可能不是:p)
爬虫是针对 cnn 网站的,我唯一想得到的就是新闻的文本。
这是一个示例链接:链接
这是我的代码:
def cnn_crawler(link):
req = urllib2.Request(link, headers={'User-Agent' : "Magic Browser"})
usock = urllib2.urlopen(req)
encoding = usock.headers.getparam('charset')
page = usock.read().decode(encoding)
usock.close()
soup = BeautifulSoup(page)
div = soup.find('div', attrs={'class': 'cnn_strycntntlft'})
text = div.find_all('p')
text.remove(soup.find('p', attrs={'class': 'cnn_strycbftrtxt'}))
final = ""
for entry in text:
final = final + entry.get_text() + " "
return final