爬取校园新闻首页的新闻

1. 用requests库和BeautifulSoup库，爬取校园新闻首页新闻的标题、链接、正文、show-info。

2. 分析info字符串，获取每篇新闻的发布时间，作者，来源，摄影等信息。

3. 将字符串格式的发布时间转换成datetime类型

4. 使用正则表达式取得新闻编号

5. 生成点击次数的Request URL

6. 获取点击次数

7. 将456步骤定义成一个函数 def getClickCount(newsUrl):

8. 将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):

9. 尝试用使用正则表达式分析show info字符串，点击次数字符串。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import locale
import re

locale.setlocale(locale.LC_CTYPE, 'chinese')
url = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
res = requests.get(url)
res.encoding = 'utf-8'
soup = BeautifulSoup(res.text, 'html.parser')


def getClickCount(newsUrl):
    newsid = re.search(r"\_(.*).html", newsUrl).group(1)[-4:]
    clicktimesurl = ("http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80").format(newsid)
    clicktimes = int(requests.get(clicktimesurl).text.split(".html(")[-1].lstrip("'").rstrip("');"))
    return clicktimes


def getNewsDetail(newsUrl):
    resdet = requests.get(newsUrl)
    resdet.encoding = 'utf-8'
    soupdet = BeautifulSoup(resdet.text, 'html.parser')
    contentdetail = soupdet.select('#content')[0].text
    showinfo = soupdet.select('.show-info')[0].text
    date = showinfo.lstrip("发布时间:")[:19]
    author = re.search('作者：((.{2,4}s){1,3})', showinfo).group(1)
    checker = re.search('审核：((.{2,4}s){1,3})', showinfo).group(1)
    source = re.search('来源：((.{2,20}s){1,3})', showinfo).group(1)
    clicktimes = getClickCount(address)
    dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')
    print("发表时间：{0}  作者：{1}  审核：{2}  来源：{3}  点击次数：{4} 次".format(dateTime, author, checker, source, clicktimes))
    print(contentdetail)


for news in soup.select('li'):
    if len(news.select('.news-list-title')) > 0:
        title = news.select('.news-list-title')[0].text
        description = news.select('.news-list-description')[0].text
        info = news.select('.news-list-info')[0].text
        address = news.select('a')[0]['href']
        print("
标题： {0}
描述： {1}
信息： {2}
链接： {3}".format(title, description, info, address))
        getNewsDetail(address)