上一篇文章《Python爬蟲：抓取新浪新聞數據》詳細解說了如何抓取新浪新聞詳情頁的相關數據，但代碼的構建不利於後續擴展，每次抓取新的詳情頁時都需要重新寫一遍，因此，我們需要將其整理成函數，方便直接調用。

詳情頁抓取的6個數據：新聞標題、評論數、時間、來源、正文、責任編輯。

首先，我們先將評論數整理成函數形式表示：

 1 import requests
 2 import json
 3 import re
 4 
 5 comments_url = ‘http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20
 
‘
 6 
 7 def getCommentsCount(newsURL):
 8     ID = re.search(‘doc-i(.+).shtml‘, newsURL)
 9     newsID = ID.group(1)
10     commentsURL = requests.get(comments_url.format(newsID))
11     commentsTotal = json.loads(commentsURL.text.strip(‘var data=‘))
12     return commentsTotal[‘result‘][‘count‘][‘total
 
‘]
13 
14 news = ‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘
15 print(getCommentsCount(news))

第5行comments_url，在上一篇中，我們知道評論鏈接中有新聞ID，不同新聞的評論數通過該新聞ID的變換而變換，因此我們將其格式化，新聞ID處用大括號{}來替代；

定義獲取評論數的函數getCommentsCount，通過正則來查找匹配的新聞ID，然後將獲取的新聞鏈接存儲進變量commentsURL中，通過解碼JS來得到最終的評論數commentsTotal；

然後，我們只需輸入新的新聞鏈接，便可直接調用函數getCommentsCount來獲取評論數。

最後，我們將需要抓取的6個數據均整理到一個函數getNewsDetail中。如下：

 1 from bs4 import BeautifulSoup
 2 import requests
 3 from datetime import datetime
 4 import json
 5 import re
 6 
 7 comments_url = ‘http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20‘
 8 
 9 def getCommentsCount(newsURL):
10     ID = re.search(‘doc-i(.+).shtml‘, newsURL)
11     newsID = ID.group(1)
12     commentsURL = requests.get(comments_url.format(newsID))
13     commentsTotal = json.loads(commentsURL.text.strip(‘var data=‘))
14     return commentsTotal[‘result‘][‘count‘][‘total‘]
15 
16 # news = ‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘
17 # print(getCommentsCount(news))
18 
19 def getNewsDetail(news_url):
20     result = {}
21     web_data = requests.get(news_url)
22     web_data.encoding = ‘utf-8‘
23     soup = BeautifulSoup(web_data.text,‘lxml‘)
24     result[‘title‘] = soup.select(‘#artibodyTitle‘)[0].text
25     result[‘comments‘] = getCommentsCount(news_url)
26     time = soup.select(‘.time-source‘)[0].contents[0].strip()
27     result[‘dt‘] = datetime.strptime(time,‘%Y年%m月%d日%H:%M‘)
28     result[‘source‘] = soup.select(‘.time-source span span a‘)[0].text
29     result[‘article‘] = ‘ ‘.join([p.text.strip() for p in soup.select(‘#artibody p‘)[:-1]])
30     result[‘editor‘] = soup.select(‘.article-editor‘)[0].text.lstrip(‘責任編輯：‘)
31     return result
32 
33 print(getNewsDetail(‘http://news.sina.com.cn/c/nd/2017-05-14/doc-ifyfeius7904403.shtml‘))

在函數getNewsDetail中，獲取需要抓取的6個數據，放在result中：

• result[‘title‘]是獲取新聞標題；
• resul[‘comments‘]是獲取評論數，可以直接調用我們開頭定義的評論數函數getCommentsCount；
• result[‘dt‘]是獲取時間； result[‘source‘]是獲取來源；
• result[‘article‘]是獲取正文；
• result[‘editor‘]是獲取責任編輯。

而後輸入自己想要獲取數據的新聞鏈接，調用該函數即可。

部分運行結果：

{‘title‘: ‘浙大附中開課教詠春 “教頭”系葉問第三代弟子‘, ‘comments‘: 618, ‘dt‘: datetime.datetime(2017, 5, 14, 7, 22), ‘source‘: ‘中國新聞網‘, ‘article‘: ‘原標題：浙大附中開課教詠春 “教頭”系葉問......來源：錢江晚報‘, ‘editor‘: ‘張迪 ‘}

Mac，Python版本：3.6，PyCharm版本：2016.2

----- End -----

作者：杜王丹，微信公眾號：杜王丹，互聯網產品經理。

Python爬蟲：新浪新聞詳情頁的數據抓取（函數版）