python定时爬取网站更新_详解python定时简单爬取网页新闻存入数据库并发送邮件…

于 2020-12-21 11:08:32 发布

一、项目要求

1、程序可以从北京工业大学首页上爬取新闻内容:http://www.bjut.edu.cn

 

2、程序可以将爬取下来的数据写入本地MySQL数据库中。

3、程序可以将爬取下来的数据发送到邮箱。

4、程序可以定时执行。

二、项目分析

1、爬虫部分利用requests库爬取html文本,再利用bs4中的BeaultifulSoup库来解析html文本,提取需要的内容。

2、使用pymysql库连接MySQL数据库,实现建表和插入内容操作。

3、使用smtplib库建立邮箱连接,再使用email库将文本信息加工成邮件消息并发送。

4、使用schedule库实现定时执行该程序。

三、代码分析

1、导入需要的库:

# 爬虫相关模块

import requests

from bs4 import BeautifulSoup

import pymysql

# 发邮件相关模块

import smtplib

from email.mime.text import MIMEText

from email.header import Header

import time

# 定时模块

import schedule

2、获取html文件:

# 连接获取html文本

def getHTMLtext(url):

try:

headers={undefined

“user-agent”:”Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36″,

} # 浏览器请求头

r = requests.get(url, headers = headers, timeout = 30) # 获取连接

r.raise_for_status() # 测试连接是否成功,若失败则报异常

r.encoding = r.apparent_encoding # 解析编码

return r.text

except:

return “”

其中必须添加请求头headers否则get请求时会返回错误页面。

raise_for_status()可以根据状态码判断连接对象的状态,如果成功便继续执行,若连接失败则抛出异常,因此利用try-except捕获。

apparent_encoding()方法可以解析判断可能的编码方式。

3、解析html提取数据:

首先观察网页源码确定新闻标签位置:

 

# 解析html提取数据

def parseHTML(news, html):

soup = BeautifulSoup(html, “html.parser”) # 获取soup

for i in soup.find(attrs = {‘class’ : ‘list’}).find_all(‘li’): # 存放新闻的li标签

date = i.p.string + ‘-‘ + i.h2.string # 日期

href = i.a[‘href’] # 链接

title = i.find(‘h1’).string # 标题

content = i.find_all(‘p’)[1].string # 梗概

news.append([date, href, title, content]) # 添加到列表中

可见所有新闻内容全部存放在class为”list”的div标签中,而每条新闻又存放在li标签中,因此利用find和find_all方法遍历所有li标签。

每个li标签中a标签的href属性存放新闻链接,h1标签存放新闻标题,h2标签存放日期,第一个p标签存放年、月,第二个p标签存放新闻梗概。依次取出对应标签中的文本内容,并将年月日拼接后依次存入news列表中。

4、存入数据库

# 存入数据库

def toMysql(news):

conn = pymysql.connect(host = ‘localhost’, port = 3306, user = ‘root’, passwd = ‘数据库密码’, db = ‘数据库名称’,charset = ‘gbk’, connect_timeout = 1000)

cursor = conn.cursor()

sql = ”’

create table if not exists tb_news(

日期 date,

链接 varchar(400),

标题 varchar(400),

梗概 varchar(400))

”’

cursor.execute(sql) # 建表

for new in news: # 循环存入数据

sql = ‘insert into tb_news(日期, 链接, 标题, 梗概) values(%s, %s, %s, %s)’

date = new[0]

href = new[1]

title = new[2]

content = new[3]

cursor.execute(sql, (date, href, title, content))

conn.commit()

conn.close()

由于新闻字数较多,存取时可能会有乱码以及数据过长存储失败的问题,与数据库编码有关,可以在MySQL的my.ini配置文件中修改默认编码为gbk。

5、发送邮件

# 发送邮件

def sendMail(news):

from_addr = ‘发送邮箱’ # 发送邮箱

password = ’16位授权码’ # 邮箱授权码

to_addr = ‘接收邮箱’ # 接收邮箱

mailhost = ‘smtp.qq.com’ # qq邮箱的smtp地址

qqmail = smtplib.SMTP() # 建立SMTP对象

qqmail.connect(mailhost, 25) # 25为SMTP常用端口

qqmail.login(from_addr, password) # 登录邮箱

content = ”

for new in news: # 拼接邮件内容字符串

content += ‘新闻时间:’ + new[0] + ‘\n’ + ‘新闻链接:’ + new[1] + ‘\n’ + ‘新闻标题:’ + new[2] + ‘\n’ + ‘新闻梗概:’ + new[3] + ‘\n’

content += ‘======================================================================\n’

# 拼接题目字符串

subject = time.strftime(‘%Y-%m-%d %X’, time.localtime(time.time())) + ‘时爬取的北工大首页主要新闻\n’

# 加工邮件message格式

msg = MIMEText(content, ‘plain’, ‘utf-8’)

msg[‘subject’] = Header(subject, ‘utf-8’)

try:

qqmail.sendmail(from_addr, to_addr, msg.as_string())

print(‘发送成功’)

except:

print(‘发送失败’)

qqmail.quit()

注意其中的密码不是指邮箱的登录密码,而是指邮箱的smtp授权码,qq邮箱可以再设置中开启smtp服务,并获取授权码。

 

6、主函数

# 主函数

def main():

news = []

url = “http://www.bjut.edu.cn/”

html = getHTMLtext(url)

parseHTML(news, html)

toMysql(news)

print(news)

sendMail(news)

输入北京工业大学官网的url并新建一个列表news用来存放消息,然后依次调用函数爬取新闻存入数据库并发到邮箱。为了检验上述程序是否可以完成任务,先调用依次main()函数并print(news)看看结果:

main() #测试需要,之后会删除

结果如下:

 

 

 

由此可见程序执行正常。

7、定时执行

# 定时执行整个任务

schedule.every().monday.at(“08:00”).do(main) # 每周一早上八点执行main函数

while True:

schedule.run_pending()

time.sleep(1)

用死循环保证schedule一直运行。设定的是每周一早上8:00执行程序。

为了方便检查效果,先将运行时间改为每5s运行一次:

schedule.every(5).seconds.do(main)

 

每5s便可以收到一封邮件,由此可见满足定时需求。至此程序结束。

四、完整代码

# 爬虫相关模块

import requests

from bs4 import BeautifulSoup

import pymysql

# 发邮件相关模块

import smtplib

from email.mime.text import MIMEText

from email.header import Header

import time

# 定时模块

import schedule

# 连接获取html文本

def getHTMLtext(url):

try:

headers={undefined

“user-agent”:”Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36″,

} # 浏览器请求头

r = requests.get(url, headers = headers, timeout = 30) # 获取连接

r.raise_for_status() # 测试连接是否成功,若失败则报异常

r.encoding = r.apparent_encoding # 解析编码

return r.text

except:

return “”

# 解析html提取数据

def parseHTML(news, html):

soup = BeautifulSoup(html, “html.parser”) # 获取soup

for i in soup.find(attrs = {‘class’ : ‘list’}).find_all(‘li’): # 存放新闻的li标签

date = i.p.string + ‘-‘ + i.h2.string # 日期

href = i.a[‘href’] # 链接

title = i.find(‘h1’).string # 标题

content = i.find_all(‘p’)[1].string # 梗概

news.append([date, href, title, content]) # 添加到列表中

# 存入数据库

def toMysql(news):

conn = pymysql.connect(host = ‘localhost’, port = 3306, user = ‘root’, passwd = ‘数据库密码’, db = ‘数据库名称’,charset = ‘gbk’, connect_timeout = 1000)

cursor = conn.cursor()

sql = ”’

create table if not exists tb_news(

日期 date,

链接 varchar(400),

标题 varchar(400),

梗概 varchar(400))

”’

cursor.execute(sql) # 建表

for new in news: # 循环存入数据

sql = ‘insert into tb_news(日期, 链接, 标题, 梗概) values(%s, %s, %s, %s)’

date = new[0]

href = new[1]

title = new[2]

content = new[3]

cursor.execute(sql, (date, href, title, content))

conn.commit()

conn.close()

# 发送邮件

def sendMail(news):

from_addr = ‘发送邮箱’ # 发送邮箱

password = ’16位授权码’ # 邮箱授权码

to_addr = ‘接收邮箱’ # 接收邮箱

mailhost = ‘smtp.qq.com’ # qq邮箱的smtp地址

qqmail = smtplib.SMTP() # 建立SMTP对象

qqmail.connect(mailhost, 25) # 25为SMTP常用端口

qqmail.login(from_addr, password) # 登录邮箱

content = ”

for new in news: # 拼接邮件内容字符串

content += ‘新闻时间:’ + new[0] + ‘\n’ + ‘新闻链接:’ + new[1] + ‘\n’ + ‘新闻标题:’ + new[2] + ‘\n’ + ‘新闻梗概:’ + new[3] + ‘\n’

content += ‘======================================================================\n’

# 拼接题目字符串

subject = time.strftime(‘%Y-%m-%d %X’, time.localtime(time.time())) + ‘时爬取的北工大首页主要新闻\n’

# 加工邮件message格式

msg = MIMEText(content, ‘plain’, ‘utf-8’)

msg[‘subject’] = Header(subject, ‘utf-8’)

try:

qqmail.sendmail(from_addr, to_addr, msg.as_string())

print(‘发送成功’)

except:

print(‘发送失败’)

qqmail.quit()

# 主函数

def main():

news = []

url = “http://www.bjut.edu.cn/”

html = getHTMLtext(url)

parseHTML(news, html)

print(news)

sendMail(news)

# 定时执行整个任务

schedule.every().monday.at(“08:00”).do(main) # 每周一早上八点执行main函数

while True:

schedule.run_pending()

time.sleep(1)

相关文章
————————————————
版权声明:本文为CSDN博主「weixin_39997695」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/weixin_39997695/article/details/111783667