初级爬虫实战——哥伦比亚大学新闻

落日映苍穹つ 2024-04-06 15:38 105阅读 0赞

#### 文章目录 ####

*  发现宝藏
 *  一、 目标
 *  二、简单分析网页
 *   *  1. 寻找所有新闻
     *  2. 分析模块、版面和文章
 *  三、爬取新闻
 *   *  1. 爬取模块
     *  2. 爬取版面
     *  3. 爬取文章
 *  四、完整代码
 *  五、效果展示

## 发现宝藏 ##

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。【[宝藏入口][Link 1]】。

![在这里插入图片描述][20defb7b8d64499c90e79fb97ee4ec96.jpeg]

## 一、 目标 ##

爬取`news.columbia.edu`的字段,包含标题、内容，作者，发布时间，链接地址，文章快照 (可能需要翻墙才能访问)

## 二、简单分析网页 ##

### 1. 寻找所有新闻 ###

*  按照如下步骤，找到全部新闻

![在这里插入图片描述][16a6651b352645f8ab1f14ef48588594.png]  
![在这里插入图片描述][5e362cd7aaee42dba1f8a66033f50af1.png]  
![在这里插入图片描述][87b87575f582464ebf4670ff6bad2524.png]

### 2. 分析模块、版面和文章 ###

*  为了规范爬取的命名与逻辑，我们分别用模块、版面、文章三部分来进行爬取，具体如下
 *  一个网站的全部新闻由数个模块组成，只要我们遍历爬取了所有模块就获得的该网站的所有新闻，由于该网站所有新闻都在该路径下，所有该路径就是唯一的模块

![在这里插入图片描述][7eaf99ce3c9547b18031d68223247e60.png]

*  一个模块由数页版面组成，只要遍历了所有版面，我们就爬取了一个模块

![在这里插入图片描述][e548c650149143cca0b241d45178774e.png]

*  一个版面里有数页文章，由于该网站模块下的列表同时也是一篇文章，所以一个版面里只有一篇文章

![!][85b0a3bb0e31442f9df85868c820d12d.png]

*  一篇文章有标题、出版时间和作者信息、文章正文和文章图片等信息

![在这里插入图片描述][3c086c30c02b4deeaef6de81218aff3b.png]

## 三、爬取新闻 ##

### 1. 爬取模块 ###

*  由于该新闻只有一个模块，所以直接请求该模块地址即可获取该模块的所有信息，但是为了兼容多模块的新闻，我们还是定义一个数组存储模块地址

class ColumbianewsScraper::
        def __init__(self, root_url, model_url, img_output_dir):
            self.root_url = root_url
            self.model_url = model_url
            self.img_output_dir = img_output_dir
            self.headers = {
        
                'Referer': 'https://news.columbia.edu/news/other?page=194',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                              'Chrome/122.0.0.0 Safari/537.36',
                'Cookie': ''
            }
    
    
    def run():
        # 网站根路径
        root_url = 'https://news.columbia.edu/'
        # 文章图片保存路径
        output_dir = 'D://imgs//columbia-news'
        # 模块地址数组
        model_urls = ['https://news.columbia.edu/news/other']
    
        for model_url in model_urls:
            # 初始化类
            scraper = ColumbianewsScraper(root_url, model_url, output_dir)
            # 遍历版面
            scraper.catalogue_all_pages()
    
    
    if __name__ == "__main__":
        run()

### 2. 爬取版面 ###

*  首先我们确认模块下版面切页相关的参数传递，通过切换页面我们不难发现切换页面是通过传递参数 page 来实现的

![在这里插入图片描述][3f236d645da44311a65ed71c6be2d544.png]

*  于是我们接着寻找模块下有多少页版面，通过观察控制台我们发现最后一页是在 类名为 的 ul 标签里的最后一个 a 标签文本里

![在这里插入图片描述][b9419ab178db43a28d522e94bf46c4d2.png]

# 获取一个模块有多少版面
        def catalogue_all_pages(self):
            response = requests.get(self.model_url, headers=self.headers)
            soup = BeautifulSoup(response.text, 'html.parser')
            try:
                num_page_str=soup.find('ul', 'pagination js-pager__items').find('a', title='Go to last page').get('href')
                # 使用正则表达式匹配数字
                match = re.search(r'\d+', num_page_str)
                num_pages = int(match.group()) + 1
                print(self.model_url + ' 模块一共有' + str(num_pages) + '页版面')
                for page in range(0, num_pages):
                    print(f"========start catalogues page {
          page+1}" + "/" + str(num_pages) + "========")
                    self.parse_catalogues(page)
                    print(f"========Finished catalogues page {
          page+1}" + "/" + str(num_pages) + "========")
            except Exception as e:
                print(f'Error: {
          e}')
                traceback.print_exc()

![在这里插入图片描述][7554f77eebde4813825059f676c7ec4d.png]

*  根据模块地址和page参数传递完整版面地址，访问并解析找到对应的版面列表

![在这里插入图片描述][dd2ca79bf831466299bf77568bf977f0.png]

# 解析版面列表里的版面
        def parse_catalogues(self, page):
            params = {
        'page': page}
            response = requests.get(self.model_url,  headers=self.headers, params=params)
            if response.status_code == 200:
                soup = BeautifulSoup(response.text, 'html.parser')
                catalogue_list = soup.find('div', 'col-md-8')
                catalogues_list = catalogue_list.find_all('div', 'views-row')
                for index, catalogue in enumerate(catalogues_list):

![在这里插入图片描述][d5ba839f193c4cf48c5b6b33735aab27.png]

*  遍历版面列表，获取版面标题

![在这里插入图片描述][fc96c82b7ba344b98853b33650e24cbe.png]

catalogue_title = catalogue.find('div', 'views-field views-field-title').find('a').get_text(strip=True)

![在这里插入图片描述][181ffac1d8ba476c820a71abf764455c.png]

*  获取出版时间和操作时间

![在这里插入图片描述][a3a50ef02bd144e38597daacbac8398d.png]

date = datetime.now()
      # 更新时间
      publish_time = catalogue.find('div', 'views-field views-field-field-cu-date').find('time').get('datetime')
      # 将日期字符串转换为datetime对象
      # 去除时区信息，得到不带时区的时间字符串
      date_string_no_tz = publish_time.replace('Z', '')
      # 使用 strptime 函数将字符串转换为时间对象
      updatetime = datetime.strptime(date_string_no_tz, '%Y-%m-%dT%H:%M:%S')

![在这里插入图片描述][d6129d00cfad4d189c38f5e703d09d69.png]

*  保存版面url和版面id, 由于该新闻是一个版面对应一篇文章，所以版面url和文章url是一样的，而且文章没有明显的标识，我们把地址后缀作为文章id，版面id则是文章id后面加上个01

![在这里插入图片描述][fa1a50762fee41bb9d5c57eb62cfa30a.png]

![在这里插入图片描述][ae6e21f2c9bd4c5ab23ce7d41dfb470e.png]

# 版面url
     catalogue_href = catalogue.find('div', 'views-field views-field-title').find('a').get('href')
     catalogue_url = self.root_url + catalogue_href
     # 使用正则表达式提取最后一个斜杠后的路径部分
     match = re.search(r'/([^/]+)/?$', catalogue_url)
     # 版面id
     catalogue_id = str(match.group(1))

![在这里插入图片描述][681082a2324e47729c53fa79c6cc73e8.png]

*  保存版面信息到mogodb数据库（由于每个版面只有一篇文章，所以版面文章数量cardsize的值赋为1）

# 连接 MongoDB 数据库服务器
    	client = MongoClient('mongodb://localhost:27017/')
    	# 创建或选择数据库
    	db = client['columbia-news']
    	# 创建或选择集合
    	catalogues_collection = db['catalogues']
    	# 插入示例数据到 catalogues 集合
    	catalogue_data = {
        
    	    'id': catalogue_id,
    	    'date': date,
    	    'title': catalogue_title,
    	    'url': catalogue_url,
    	    'cardSize': 1,
    	    'updatetime': updatetime
    	}
    	# 在插入前检查是否存在相同id的文档
    	existing_document = catalogues_collection.find_one({
        'id': catalogue_id})
    	
    	# 如果不存在相同id的文档，则插入新文档
    	if existing_document is None:
    	    catalogues_collection.insert_one(catalogue_data)
    	    print("[爬取版面]版面 " + catalogue_url + " 已成功插入！")
    	else:
    	    print("[爬取版面]版面 " + catalogue_url + " 已存在！")
    	print(f"========finsh catalogue {
          index+1}" + "/" + "15========")

### 3. 爬取文章 ###

*  由于一个版面对应一篇文章，所以版面url 、更新时间、标题和文章是一样的，并且按照设计版面id和文章id的区别只是差了个01，所以可以传递版面url、版面id、更新时间和标题四个参数到解析文章的函数里面
 *  获取文章id，文章url，文章更新时间和当下操作时间

# 解析版面列表里的版面
        def parse_catalogues(self, page):
            ...
            self.parse_cards_list(catalogue_url, catalogue_id, updatetime, catalogue_title)
            ...
    
        # 解析文章列表里的文章
        def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle):
            card_response = requests.get(url, headers=self.headers)
            soup = BeautifulSoup(card_response.text, 'html.parser')
            # 对应的版面id
            card_id = catalogue_id
            # 文章标题
            card_title = cardtitle
            # 文章更新时间
            updateTime = cardupdatetime
            # 操作时间
            date = datetime.now()

![在这里插入图片描述][fc406d0f40544d48ad2d4bb887fc33fb.png]

*  获取文章作者

![在这里插入图片描述][b2f297338cf64b359b2c1b66b2c5e1cb.png]

# 文章作者
       author = soup.find('article', id='main-article').find('div', 'authors').get_text().replace('\n', '').replace('By', '')

![在这里插入图片描述][c9c5e614d2654595b3962de674487588.png]

*  获取文章原始htmldom结构，并删除无用的部分（以下仅是部分举例），用html\_content字段保留原始dom结构

![在这里插入图片描述][fe5d3eea568d4ba28f7ce383de248fb9.png]

![在这里插入图片描述][cda84907fbff4c0f98270fa7df3cdfb8.png]  
![在这里插入图片描述][01052b02a29745478a259592a24ed93b.png]

# 原始htmldom结构
        html_dom = soup.find('article', id='main-article')
    
        html_cut1 = html_dom.find('div', 'news-topic')
        html_cut2 = html_dom.find('div', id='cu_related_block-19355')
        html_cut3 = html_dom.find('div', id='sub-frame-error')
        # 移除元素
        if html_cut1:
            html_cut1.extract()
        if html_cut2:
            html_cut2.extract()
        if html_cut3:
            html_cut3.extract()

*  进行文章清洗，保留文本，去除标签，用content保留清洗后的文本

# 解析文章列表里的文章
    def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle):
        ...
        # 增加保留html样式的源文本
        origin_html = html_dom.prettify()  # String
        # 转义网页中的图片标签
        str_html = self.transcoding_tags(origin_html)
        # 再包装成
        temp_soup = BeautifulSoup(str_html, 'html.parser')
        # 反转译文件中的插图
        str_html = self.translate_tags(temp_soup.text)
        # 绑定更新内容
        content = self.clean_content(str_html)
        ...
    
     # 工具 转义标签
        def transcoding_tags(self, htmlstr):
            re_img = re.compile(r'\s*<(img.*?)>\s*', re.M)
            s = re_img.sub(r'\n @@##\1##@@ \n', htmlstr)  # IMG 转义
            return s
    
        # 工具 转义标签
        def translate_tags(self, htmlstr):
            re_img = re.compile(r'@@##(img.*?)##@@', re.M)
            s = re_img.sub(r'<\1>', htmlstr)  # IMG 转义
            return s
    
        # 清洗文章
        def clean_content(self, content):
            if content is not None:
                content = re.sub(r'\r', r'\n', content)
                content = re.sub(r'\n{2,}', '', content)
                content = re.sub(r' {6,}', '', content)
                content = re.sub(r' {3,}\n', '', content)
                content = re.sub(r'<img src="../../../image/zxbl.gif"/>', '', content)
                content = content.replace(
                    '<img border="0" src="****处理标记：[Article]时， 字段 [SnapUrl] 在数据源中没有找到! ****"/> ', '')
                content = content.replace(
                    ''' <!--/enpcontent<INPUT type=checkbox value=0 name=titlecheckbox sourceid="<Source>SourcePh " style="display:none">''',
                    '') \
                    .replace(' <!--enpcontent', '').replace('<TABLE>', '')
                content = content.replace('<P>', '').replace('<\P>', '').replace(' ', ' ')
            return content

*  下载保存文章图片，保存到d盘目录下的imgs/nd-news文件夹下，每篇文章图片用一个命名为文章id的文件夹命名，并用字段illustrations保存图片的绝对路径和相对路径

![在这里插入图片描述][bde9248b4136436eadc471bb74b75cec.png]

# 解析文章列表里的文章
    def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle):
        ...
        # 下载图片
        imgs = []
        img_array = soup.find('div', id='featured-content').find_all('img')
        if len(img_array) is not None:
            for item in img_array:
                img_url = self.root_url + item.get('src')
                imgs.append(img_url)
        if len(imgs) != 0:
            # 下载图片
            illustrations = self.download_images(imgs, card_id)
     
     # 下载图片
    def download_images(self, img_urls, card_id):
        result = re.search(r'[^/]+$', card_id)
        last_word = result.group(0)
        # 根据card_id创建一个新的子目录
        images_dir = os.path.join(self.img_output_dir, str(last_word))     if not os.path.exists(images_dir):
                os.makedirs(images_dir)
                downloaded_images = []
                for index, img_url in enumerate(img_urls):
                    try:
                        response = requests.get(img_url, stream=True, headers=self.headers)
                        if response.status_code == 200:
                            # 从URL中提取图片文件名
                            img_name_with_extension = img_url.split('/')[-1]
                            pattern = r'^[^?]*'
                            match = re.search(pattern, img_name_with_extension)
                            img_name = match.group(0)
    
                            # 保存图片
                            with open(os.path.join(images_dir, img_name), 'wb') as f:
                                f.write(response.content)
                            downloaded_images.append([img_url, os.path.join(images_dir, img_name)])
                        print(f'[爬取文章图片]文章id为{
          card_id}的图片已保存到本地')
                except requests.exceptions.RequestException as e:
                    print(f'请求图片时发生错误：{
          e}')
                except Exception as e:
                    print(f'保存图片时发生错误：{
          e}')
            return downloaded_images
        # 如果文件夹存在则跳过
        else:
            print(f'[爬取文章图片]文章id为{
          card_id}的图片文件夹已经存在')
            return []

![在这里插入图片描述][c58dc5db582c4706b6c092fac2f7196b.png]

*  保存文章数据到数据库

# 连接 MongoDB 数据库服务器
        client = MongoClient('mongodb://localhost:27017/')
        # 创建或选择数据库
        db = client['nd-news']
        # 创建或选择集合
        cards_collection = db['cards']
        # 插入示例数据到 cards 集合
        card_data = {
        
            'id': card_id,
            'catalogueId': catalogue_id,
            'type': 'nd-news',
            'date': date,
            'title': card_title,
            'author': author,
            'updatetime': updateTime,
            'url': url,
            'html_content': str(html_content),
            'content': content,
            'illustrations': illustrations,
        }
        # 在插入前检查是否存在相同id的文档
        existing_document = cards_collection.find_one({
        'id': card_id})
    
        # 如果不存在相同id的文档，则插入新文档
        if existing_document is None:
            cards_collection.insert_one(card_data)
            print("[爬取文章]文章 " + url + " 已成功插入！")
        else:
            print("[爬取文章]文章 " + url + " 已存在！")

## 四、完整代码 ##

import os
    from datetime import datetime
    import requests
    from bs4 import BeautifulSoup
    from pymongo import MongoClient
    import re
    import traceback
    
    
    class ColumbianewsScraper:
        def __init__(self, root_url, model_url, img_output_dir):
            self.root_url = root_url
            self.model_url = model_url
            self.img_output_dir = img_output_dir
            self.headers = {
        
                'Referer': 'https://news.columbia.edu/news/other?page=194',
                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                              'Chrome/122.0.0.0 Safari/537.36',
                'Cookie': '替换成你自己的'
            }
    
        # 获取一个模块有多少版面
        def catalogue_all_pages(self):
            response = requests.get(self.model_url, headers=self.headers)
            soup = BeautifulSoup(response.text, 'html.parser')
            try:
                num_page_str = soup.find('ul', 'pagination js-pager__items').find('a', title='Go to last page').get('href')
                # 使用正则表达式匹配数字
                match = re.search(r'\d+', num_page_str)
                num_pages = int(match.group()) + 1
                print(self.model_url + ' 模块一共有' + str(num_pages) + '页版面')
                for page in range(0, num_pages):
                    print(f"========start catalogues page {
          page + 1}" + "/" + str(num_pages) + "========")
                    self.parse_catalogues(page)
                    print(f"========Finished catalogues page {
          page + 1}" + "/" + str(num_pages) + "========")
            except Exception as e:
                print(f'Error: {
          e}')
                traceback.print_exc()
    
        # 解析版面列表里的版面
        def parse_catalogues(self, page):
            params = {
        'page': page}
            response = requests.get(self.model_url, headers=self.headers, params=params)
            if response.status_code == 200:
                soup = BeautifulSoup(response.text, 'html.parser')
                catalogue_list = soup.find('div', 'col-md-8')
                catalogues_list = catalogue_list.find_all('div', 'views-row')
                for index, catalogue in enumerate(catalogues_list):
                    print(f"========start catalogue {
          index + 1}" + "/" + "15========")
                    # 版面标题
                    catalogue_title = catalogue.find('div', 'views-field views-field-title').find('a').get_text(strip=True)
    
                    # 操作时间
                    date = datetime.now()
                    # 更新时间
                    publish_time = catalogue.find('div', 'views-field views-field-field-cu-date').find('time').get(
                        'datetime')
                    #  将日期字符串转换为datetime对象
                    # 去除时区信息，得到不带时区的时间字符串
                    date_string_no_tz = publish_time.replace('Z', '')
                    # 使用 strptime 函数将字符串转换为时间对象
                    updatetime = datetime.strptime(date_string_no_tz, '%Y-%m-%dT%H:%M:%S')
    
                    # 版面url
                    catalogue_href = catalogue.find('div', 'views-field views-field-title').find('a').get('href')
                    catalogue_url = self.root_url + catalogue_href
                    # 使用正则表达式提取最后一个斜杠后的路径部分
                    match = re.search(r'/([^/]+)/?$', catalogue_url)
                    # 版面id
                    catalogue_id = str(match.group(1))
    
                    self.parse_cards_list(catalogue_url, catalogue_id, updatetime, catalogue_title)
    
                    # 连接 MongoDB 数据库服务器
                    client = MongoClient('mongodb://localhost:27017/')
                    # 创建或选择数据库
                    db = client['columbia-news']
                    # 创建或选择集合
                    catalogues_collection = db['catalogues']
                    # 插入示例数据到 catalogues 集合
                    catalogue_data = {
        
                        'id': catalogue_id,
                        'date': date,
                        'title': catalogue_title,
                        'url': catalogue_url,
                        'cardSize': 1,
                        'updatetime': updatetime
                    }
                    # 在插入前检查是否存在相同id的文档
                    existing_document = catalogues_collection.find_one({
        'id': catalogue_id})
    
                    # 如果不存在相同id的文档，则插入新文档
                    if existing_document is None:
                        catalogues_collection.insert_one(catalogue_data)
                        print("[爬取版面]版面 " + catalogue_url + " 已成功插入！")
                    else:
                        print("[爬取版面]版面 " + catalogue_url + " 已存在！")
                    print(f"========finsh catalogue {
          index + 1}" + "/" + "15========")
                return True
            else:
                raise Exception(f"Failed to fetch page {
          page}. Status code: {
          response.status_code}")
    
        # 解析文章列表里的文章
        def parse_cards_list(self, url, catalogue_id, cardupdatetime, cardtitle):
            card_response = requests.get(url, headers=self.headers)
            soup = BeautifulSoup(card_response.text, 'html.parser')
            # 对应的版面id
            card_id = catalogue_id
            # 文章标题
            card_title = cardtitle
            # 文章更新时间
            updateTime = cardupdatetime
            # 操作时间
            date = datetime.now()
    
            try:
                # 文章作者
                author = soup.find('article', id='main-article').find('div', 'authors').get_text().replace('\n',                                                                                                                '')
            except:
                author = None
    
            # 原始htmldom结构
            html_dom = soup.find('article', id='main-article')
    
            html_cut1 = html_dom.find('div', 'news-topic')
            html_cut2 = html_dom.find('div', id='cu_related_block-19355')
            html_cut3 = html_dom.find('div', id='sub-frame-error')
            # 移除元素
            if html_cut1:
                html_cut1.extract()
            if html_cut2:
                html_cut2.extract()
            if html_cut3:
                html_cut3.extract()
            html_content = html_dom
    
            # 增加保留html样式的源文本
            origin_html = html_dom.prettify()  # String
            # 转义网页中的图片标签
            str_html = self.transcoding_tags(origin_html)
            # 再包装成
            temp_soup = BeautifulSoup(str_html, 'html.parser')
            # 反转译文件中的插图
            str_html = self.translate_tags(temp_soup.text)
            # 绑定更新内容
            content = self.clean_content(str_html)
            # 下载图片
            imgs = []
            img_array = soup.find('div', id='featured-content').find_all('img')
            if len(img_array) is not None:
                for item in img_array:
                    img_url = self.root_url + item.get('src')
                    imgs.append(img_url)
            if len(imgs) != 0:
                # 下载图片
                illustrations = self.download_images(imgs, card_id)
            # 连接 MongoDB 数据库服务器
            client = MongoClient('mongodb://localhost:27017/')
            # 创建或选择数据库
            db = client['columbia-news']
            # 创建或选择集合
            cards_collection = db['cards']
            # 插入示例数据到 cards 集合
            card_data = {
        
                'id': card_id,
                'catalogueId': catalogue_id,
                'type': 'nd-news',
                'date': date,
                'title': card_title,
                'author': author,
                'updatetime': updateTime,
                'url': url,
                'html_content': str(html_content),
                'content': content,
                'illustrations': illustrations,
            }
            # 在插入前检查是否存在相同id的文档
            existing_document = cards_collection.find_one({
        'id': card_id})
    
            # 如果不存在相同id的文档，则插入新文档
            if existing_document is None:
                cards_collection.insert_one(card_data)
                print("[爬取文章]文章 " + url + " 已成功插入！")
            else:
                print("[爬取文章]文章 " + url + " 已存在！")
    
        # 下载图片
        def download_images(self, img_urls, card_id):
            result = re.search(r'[^/]+$', card_id)
            last_word = result.group(0)
    
            # 根据card_id创建一个新的子目录
            images_dir = os.path.join(self.img_output_dir, str(last_word))
            if not os.path.exists(images_dir):
                os.makedirs(images_dir)
                downloaded_images = []
                for index, img_url in enumerate(img_urls):
                    try:
                        response = requests.get(img_url, stream=True, headers=self.headers)
                        if response.status_code == 200:
                            # 从URL中提取图片文件名
                            img_name_with_extension = img_url.split('/')[-1]
                            pattern = r'^[^?]*'
                            match = re.search(pattern, img_name_with_extension)
                            img_name = match.group(0)
    
                            # 保存图片
                            with open(os.path.join(images_dir, img_name), 'wb') as f:
                                f.write(response.content)
                            downloaded_images.append([img_url, os.path.join(images_dir, img_name)])
                            print(f'[爬取文章图片]文章id为{
          card_id}的图片已保存到本地')
                    except requests.exceptions.RequestException as e:
                        print(f'请求图片时发生错误：{
          e}')
                    except Exception as e:
                        print(f'保存图片时发生错误：{
          e}')
                return downloaded_images
            # 如果文件夹存在则跳过
            else:
                print(f'[爬取文章图片]文章id为{
          card_id}的图片文件夹已经存在')
                return []
    
        # 工具 转义标签
        def transcoding_tags(self, htmlstr):
            re_img = re.compile(r'\s*<(img.*?)>\s*', re.M)
            s = re_img.sub(r'\n @@##\1##@@ \n', htmlstr)  # IMG 转义
            return s
    
        # 工具 转义标签
        def translate_tags(self, htmlstr):
            re_img = re.compile(r'@@##(img.*?)##@@', re.M)
            s = re_img.sub(r'<\1>', htmlstr)  # IMG 转义
            return s
    
        # 清洗文章
        def clean_content(self, content):
            if content is not None:
                content = re.sub(r'\r', r'\n', content)
                content = re.sub(r'\n{2,}', '', content)
                content = re.sub(r' {6,}', '', content)
                content = re.sub(r' {3,}\n', '', content)
                content = re.sub(r'<img src="../../../image/zxbl.gif"/>', '', content)
                content = content.replace(
                    '<img border="0" src="****处理标记：[Article]时， 字段 [SnapUrl] 在数据源中没有找到! ****"/> ', '')
                content = content.replace(
                    ''' <!--/enpcontent<INPUT type=checkbox value=0 name=titlecheckbox sourceid="<Source>SourcePh " style="display:none">''',
                    '') \
                    .replace(' <!--enpcontent', '').replace('<TABLE>', '')
                content = content.replace('<P>', '').replace('<\P>', '').replace(' ', ' ')
            return content
    
    
    def run():
        # 网站根路径
        root_url = 'https://news.columbia.edu/'
        # 文章图片保存路径
        output_dir = 'D://imgs//columbia-news'
        # 模块地址数组
        model_urls = ['https://news.columbia.edu/news/other']
    
        for model_url in model_urls:
            # 初始化类
            scraper = ColumbianewsScraper(root_url, model_url, output_dir)
            # 遍历版面
            scraper.catalogue_all_pages()
    
    
    if __name__ == "__main__":
        run()

## 五、效果展示 ##

![在这里插入图片描述][50385ca42dae49449facd502de1db4aa.png]  
![在这里插入图片描述][b7ef526993e34d7683bf40135104a52c.png]

![在这里插入图片描述][aaa66572fa2349b398df824bd01f383c.png]

![在这里插入图片描述][7ca37cf7b06d4409be20f1e8d98782b8.png]

![在这里插入图片描述][393495b5969947efbf9be9e4589f2ae3.png]

[Link 1]: https://www.captainbed.cn/dl
[20defb7b8d64499c90e79fb97ee4ec96.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/e103d10f55bc4143987f71020d743261.jpeg
[16a6651b352645f8ab1f14ef48588594.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/9e7a3d70cd734c1b875d6369bad607ce.png
[5e362cd7aaee42dba1f8a66033f50af1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/7eb87f25dd6b496790ed78835ad2cea5.png
[87b87575f582464ebf4670ff6bad2524.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/6a044fe1921d4744938f074063df8d70.png
[7eaf99ce3c9547b18031d68223247e60.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/fc4d96b9e0814446b7043283f7aca159.png
[e548c650149143cca0b241d45178774e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/0cf9b08a68ef4fc99862fceb2698e836.png
[85b0a3bb0e31442f9df85868c820d12d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/6bdee12675d247cea60a0fed32d6df57.png
[3c086c30c02b4deeaef6de81218aff3b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/1f4bab00bab045fb94e4f8ec027cd68a.png
[3f236d645da44311a65ed71c6be2d544.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/bc61fe46fbe24185b7695d9a0961c191.png
[b9419ab178db43a28d522e94bf46c4d2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/3a50e9afafc3447cbe8a9470a55c9f32.png
[7554f77eebde4813825059f676c7ec4d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/9dd381628e1e45ec8b0e3ac2224c810a.png
[dd2ca79bf831466299bf77568bf977f0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/f375a35efff644f284e7ead983bd46cf.png
[d5ba839f193c4cf48c5b6b33735aab27.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/7c6e601b17764fa98237b7ebac11d092.png
[fc96c82b7ba344b98853b33650e24cbe.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/097dee56ca6244df96403725efa115a4.png
[181ffac1d8ba476c820a71abf764455c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/d19f9edc3bc6493eb63a386ac079ac8f.png
[a3a50ef02bd144e38597daacbac8398d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/3df693bfca254419802a4d34b047f0f5.png
[d6129d00cfad4d189c38f5e703d09d69.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/e07a7bebca264bd1988e37eea045b93a.png
[fa1a50762fee41bb9d5c57eb62cfa30a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/1dc20d6d63da418e9e5690880e8455f6.png
[ae6e21f2c9bd4c5ab23ce7d41dfb470e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/735f6491de414c38abf2588cd966b84c.png
[681082a2324e47729c53fa79c6cc73e8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/a0e01f2baed04f13a9daded4fd5e72c0.png
[fc406d0f40544d48ad2d4bb887fc33fb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/b8019193778d4cfabc7dde869e6754f4.png
[b2f297338cf64b359b2c1b66b2c5e1cb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/7d64b920b6fb4c7f8bb8c1e22d91f0cc.png
[c9c5e614d2654595b3962de674487588.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/32ffb496622e482aa5a8188c7cc489b4.png
[fe5d3eea568d4ba28f7ce383de248fb9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/94e0842a58ae430b923e238de869d420.png
[cda84907fbff4c0f98270fa7df3cdfb8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/9cedd97787d8461893bb65dfa1f92a33.png
[01052b02a29745478a259592a24ed93b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/c0a6d1b40e5a4d4b88ce6f858e1ca103.png
[bde9248b4136436eadc471bb74b75cec.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/e2357033a29b44d58b3d5f2d56c0bafc.png
[c58dc5db582c4706b6c092fac2f7196b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/8207dfa7923e44a08d196b429d1ac1d8.png
[50385ca42dae49449facd502de1db4aa.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/1950cac7344f4f6e9b2b75273604da90.png
[b7ef526993e34d7683bf40135104a52c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/a82b5104a3be4e64bfec778619afa5fc.png
[aaa66572fa2349b398df824bd01f383c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/173d5d9e2cd6479993aab8c49892dfbf.png
[7ca37cf7b06d4409be20f1e8d98782b8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/0d72278e1eee4142bbd23e03873d3096.png
[393495b5969947efbf9be9e4589f2ae3.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/8cf23f286496468f987f247ef06824ca.png