在互联网时代，新闻的实时性和时效性变得尤为重要。很多行业、技术、商业等领域的新闻都可以为公司或者个人发展提供有价值的信息。如果你有一项需求是要实时监控某个行业的新闻，自动化抓取并定期输出这些新闻，Python爬虫可以帮你轻松实现这一目标。
本文将通过一个案例，带你一步一步实现一个简单的Python爬虫，用于实时监控新闻网站的数据。
背景
在某些行业中，获取最新的新闻信息至关重要。通过定期抓取新闻网站的头条新闻，我们可以为用户提供行业热点的动态变化。本文的目标是创建一个爬虫，定期访问一个新闻网站，获取新闻的标题和链接，并打印出来。
环境准备
在开始编写代码之前，我们需要安装几个Python的第三方库：
requests：用于发送HTTP请求。beautifulsoup4：用于解析网页HTML内容。schedule：用于设置定时任务，使爬虫能够自动运行。
可以通过以下命令安装这些库：
pip install requests beautifulsoup4 schedule
请求网页数据
在爬取新闻之前，我们首先要获取目标网页的HTML内容。通过requests库可以方便地发送GET请求，并返回页面内容。以下是请求网页的代码：
import requests
# 请求头配置
HEADERS = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
# 爬虫请求函数
def fetch_news(url):
try:
print(f"Attempting to fetch: {url}") # 调试信息
response = requests.get(url, headers=HEADERS, timeout=10)
print(f"Status code: {response.status_code}") # 打印状态码
if response.status_code == 200:
return response.text
else:
print(f"Failed to fetch {url}. Status code: {response.status_code}")
return None
except requests.exceptions.RequestException as e:
print(f"Error fetching {url}: {e}")
return None
HEADERS用于模拟浏览器访问，避免被网站屏蔽。fetch_news函数发送GET请求并返回网页内容。如果请求成功，则返回HTML内容。
解析网页数据
一旦我们获取了网页的HTML内容，就需要解析这些内容，提取出我们关心的数据（例如新闻标题和链接）。这里我们使用beautifulsoup4来解析HTML并提取新闻数据。
from bs4 import BeautifulSoup
# 解析Al Jazeera新闻页面
def parse_aljazeera_page(page_content):
soup = BeautifulSoup(page_content, 'html.parser')
news_items = []
articles = soup.find_all('a', class_='u-clickable-card__link')
print(f"Found {len(articles)} articles on Al Jazeera")
for article in articles:
title_tag = article.find('h3')
if title_tag:
title = title_tag.text.strip()
link = article['href']
if link.startswith('http'):
news_items.append({
'title': title,
'link': link
})
else:
# 如果链接是相对路径，拼接完整链接
full_link = f"https://www.aljazeera.com{link}"
news_items.append({
'title': title,
'link': full_link
})
return news_items
BeautifulSoup用于解析HTML内容。parse_aljazeera_page函数从页面中找到所有新闻条目，并提取每个新闻的标题和链接。
定时任务
爬虫的核心功能是定期抓取新闻信息。为了实现这一点，我们可以使用schedule库来设置定时任务，定时运行爬虫。
import schedule
import time
# 定时执行任务
def run_scheduler():
# 每隔10分钟抓取一次新闻
schedule.every(10).minutes.do(monitor_news)
while True:
print("Scheduler is running...") # 调试信息
schedule.run_pending()
time.sleep(1)
- 我们使用
schedule.every(10).minutes.do(monitor_news)设置每10分钟执行一次monitor_news函数，获取并输出新闻。
综合代码
将之前的部分代码整合在一起，并加入一个监控新闻的函数：
def monitor_news():
url = 'https://www.aljazeera.com/'
page_content = fetch_news(url)
if page_content:
news_items = parse_aljazeera_page(page_content)
if news_items:
print(f"News from {url}:")
for news in news_items:
print(f"Title: {news['title']}")
print(f"Link: {news['link']}")
print("-" * 50)
else:
print(f"No news items found at {url}.")
else:
print(f"Failed to fetch {url}.")
if __name__ == '__main__':
monitor_news() # 手动调用一次，看看是否能抓取新闻
run_scheduler() # 继续运行定时任务
使用代理IP提升稳定性
爬虫在运行时，可能会遇到反爬机制导致IP被封禁的情况。为了规避这一问题，我们可以通过配置代理IP来提高爬虫的稳定性。下面是如何使用亮数据代理API的配置示例：
# 代理API配置
PROXY_API_URL = 'https://api.brightdata.com/proxy'
API_KEY = 'your_api_key' # 请替换为实际API密钥
PROXY_API_URL：亮数据的代理API接口地址。API_KEY：你的API密钥，用于认证API请求。
通过修改爬虫的请求函数，将代理配置加到请求中，可以让爬虫通过多个IP地址进行请求，从而降低被封禁的风险：
def fetch_news_with_proxy(url):
try:
print(f"Attempting to fetch with proxy: {url}") # 调试信息
response = requests.get(
url,
headers=HEADERS,
proxies={"http": PROXY_API_URL, "https": PROXY_API_URL},
timeout=10
)
print(f"Status code: {response.status_code}") # 打印状态码
if response.status_code == 200:
return response.text
else:
print(f"Failed to fetch {url}. Status code: {response.status_code}")
return None
except requests.exceptions.RequestException as e:
print(f"Error fetching {url}: {e}")
return None
运行截图与完整代码
运行截图：
完整代码如下
import requests
from bs4 import BeautifulSoup
import schedule
import time
# 请求头配置
HEADERS = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
# 亮数据代理API配置
PROXY_API_URL = 'https://api.brightdata.com/proxy'
API_KEY = 'your_api_key' # 请替换为实际API密钥
# 爬虫请求函数
def fetch_news(url):
try:
print(f"Attempting to fetch: {url}") # 调试信息
response = requests.get(url, headers=HEADERS, timeout=10)
print(f"Status code: {response.status_code}") # 打印状态码
if response.status_code == 200:
return response.text
else:
print(f"Failed to fetch {url}. Status code: {response.status_code}")
return None
except requests.exceptions.RequestException as e:
print(f"Error fetching {url}: {e}")
return None
# 解析Al Jazeera新闻页面
def parse_aljazeera_page(page_content):
soup = BeautifulSoup(page_content, 'html.parser')
news_items = []
articles = soup.find_all('a', class_='u-clickable-card__link')
print(f"Found {len(articles)} articles on Al Jazeera")
for article in articles:
title_tag = article.find('h3')
if title_tag:
title = title_tag.text.strip()
link = article['href']
if link.startswith('http'):
news_items.append({
'title': title,
'link': link
})
else:
# 如果链接是相对路径，拼接完整链接
full_link = f"https://www.aljazeera.com{link}"
news_items.append({
'title': title,
'link': full_link
})
return news_items
# 定时任务
def run_scheduler():
schedule.every(10).minutes.do(monitor_news)
while True:
print("Scheduler is running...") # 调试信息
schedule.run_pending()
time.sleep(1)
# 新闻监控函数
def monitor_news():
url = 'https://www.aljazeera.com/'
page_content = fetch_news(url)
if page_content:
news_items = parse_aljazeera_page(page_content)
if news_items:
print(f"News from {url}:")
for news in news_items:
print(f"Title: {news['title']}")
print(f"Link: {news['link']}")
print("-" * 50)
else:
print(f"No news items found at {url}.")
else:
print(f"Failed to fetch {url}.")
# 主程序
if __name__ == '__main__':
monitor_news() # 手动调用一次，看看是否能抓取新闻
run_scheduler() # 继续运行定时任务
通过这一方式，爬虫不仅能抓取并显示新闻内容，还能避开反爬机制，提升抓取稳定性。
总结
通过上述步骤，我们实现了一个简单的Python爬虫，用于实时抓取Al Jazeera新闻网站的数据，并通过定时任务每隔一定时间自动抓取一次。在爬虫运行过程中，可能会遇到反爬机制导致IP被封禁的情况。为了避免这个问题，我们可以通过配置代理IP来提高爬虫的稳定性。