博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
爬取所有校园新闻
阅读量:5219 次
发布时间:2019-06-14

本文共 5271 字,大约阅读时间需要 17 分钟。

1.、获取单条新闻的#标题#链接#时间#来源#内容 #点击次数,并包装成一个函数。

import requestsfrom bs4 import BeautifulSoupa=requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')a.encoding='utf-8'soup=BeautifulSoup(a.text,'html.parser')for xinwen in soup.select('li'):    if len(xinwen.select('.news-list-description'))>0:            title = xinwen.select('.news-list-description')[0].text            url = xinwen.select('a')[0]['href']            time = xinwen.select('.news-list-info')[0].contents[0].text            neirong = xinwen.select('.news-list-description')[0].text            adiv=requests.get(url)            adiv.encoding='utf-8'            soupdiv=BeautifulSoup(adiv.text,'html.parser')            detail=soupdiv.select('.show-content')[0].text            click = int(requests.get('http://oa.gzcc.cn/api.php?op=count&id=7821&modelid=80').text.split('.')[-1].lstrip("html('").rstrip("');"))            print(time,title,neirong,url,detail,click)            break

 

2、获取一个新闻列表页的所有新闻的上述详情,并包装成一个函数。

import requestsfrom bs4 import BeautifulSoupimport redef getclick(1url):        id=re.search('_(.*).html',1url).group(1).split('/')[1]    clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)    click=int(requests.get('http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80').text.split('.')[-1].lstrip("html('").rstrip("');"))    return clickdef getonepages(eveylisturl):      res=requests.get(eveylisturl)    res.encoding='utf-8'    soup=BeautifulSoup(res.text,'html.parser')    for news in soup.select('li'):        if len(news.select('.news-list-title'))>0:            title=news.select('.news-list-title')[0].text             url=news.select('a')[0]['href']            time=news.select('.news-list-info')[0].contents[0].text            bm=news.select('.news-list-info')[0].contents[1].text                        resd=requests.get(url)            resd.encoding='utf-8'            soupd=BeautifulSoup(resd.text,'html.parser')            detail=soupd.select('.show-content')[0].text             count=getclick(url)                    print(title,count)hpk='http://news.gzcc.cn/html/xiaoyuanxinwen/'  res=requests.get(hpk)res.encoding='utf-8'soup=BeautifulSoup(res.text,'html.parser')   a=int(soup.select('.a1')[0].text.rstrip('条'))pages=a//10+1                   for i in range(1,9):    pagesurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    getonepages(pagesurl)

 

3、获取所有新闻列表页的网址,调用上述函数。

import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport reurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'res=requests.get(url)res.encoding='utf-8'   soup=BeautifulSoup(res.text,'html.parser')        def getonepage(listurl):    res=requests.get(listurl)    res.encoding='utf-8'       soup=BeautifulSoup(res.text,'html.parser')    for news in soup.select('li'):    if len(news.select('.news-list-title'))>0:        title=news.select('.news-list-title')[0].text        url=news.select('a')[0]['href']        time=news.select('.news-list-info')[0].contents[0].text        dt=datetime.strptime(time,'%Y-%m-%d')                                   source=news.select('.news-list-info')[0].contents[1].text                resd=requests.get(url)        resd.encoding='utf-8'        soupd=BeautifulSoup(resd.text,'html.parser')        ar=soupd.select('.show-content')[0].text        print(title,url,time,dt,source)getonepage('http://news.gzcc.cn/html/xiaoyuanxinwen/index.html')res.encoding='utf-8'   soup=BeautifulSoup(res.text,'html.parser')page= int(soup.select('.a1')[0].text.rstrip('条'))//10+1for i in range(2,page+1):    listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    getonepage(listurl)

 

4、完成所有校园新闻的爬取工作。

import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport reurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'res=requests.get(url)res.encoding='utf-8'   soup=BeautifulSoup(res.text,'html.parser')        def getclick(newurl):    id = re.match('http://news.gzcc.cn/html/2017/xiaoyuanxinwen_(.*).html',newurl).groups()[0].split('/')[1]    clickurl = 'http://oa.gzcc.cn/api.php?op=count&id=8301&modelid=80'.format(id)    click = int(requests.get(clickurl).text.split('.')[-1].lstrip("html('").rstrip("');"))    return(click)def getonepage(listurl):    res=requests.get(listurl)    res.encoding='utf-8'       soup=BeautifulSoup(res.text,'html.parser')    for news in soup.select('li'):    if len(news.select('.news-list-title'))>0:        title=news.select('.news-list-title')[0].text        url=news.select('a')[0]['href']        time=news.select('.news-list-info')[0].contents[0].text        dt=datetime.strptime(time,'%Y-%m-%d')                                   source=news.select('.news-list-info')[0].contents[1].text                resd=requests.get(url)        resd.encoding='utf-8'        soupd=BeautifulSoup(resd.text,'html.parser')        ar=soupd.select('.show-content')[0].text        click=getclick(url)        print(title,url,time,dt,source,click)getonepage('http://news.gzcc.cn/html/xiaoyuanxinwen/index.html')res.encoding='utf-8'   soup=BeautifulSoup(res.text,'html.parser')page= int(soup.select('.a1')[0].text.rstrip('条'))//10+1for i in range(2,4):    listurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    getonepage(listurl)

 

转载于:https://www.cnblogs.com/chanzt/p/7657822.html

你可能感兴趣的文章
PDO
查看>>
MXNET:卷积神经网络
查看>>
朴素贝叶斯原理和应用
查看>>
如何获取AppStore软件安装包的路径
查看>>
二维数组排序
查看>>
Cocos2d和UIKit的结合使用
查看>>
udp网络程序-发送、接收数据
查看>>
面相对象基础语法
查看>>
java基础知识总结--多线程
查看>>
MyBatis配置文件
查看>>
Javascript 学习杂记
查看>>
HDU 1244 Max Sum Plus Plus Plus
查看>>
UVa 10817 (状压DP + 记忆化搜索) Headmaster's Headache
查看>>
UVa 11107 (后缀数组 二分) Life Forms
查看>>
HDU 4738 双连通分量 Caocao's Bridges
查看>>
UVa 1455 Kingdom 线段树 并查集
查看>>
Expression拼接
查看>>
有关js弹出提示框几种方法
查看>>
.NET简谈事务本质论
查看>>
php 正则中文匹配
查看>>