【大数据】获取一篇新闻的全部信息

作业要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2894

给定一篇新闻的链接newsUrl，获取该新闻的全部信息

标题、作者、发布单位、审核、来源

发布时间:转换成datetime类型

点击：

• newsUrl
• newsId(使用正则表达式re)
• clickUrl(str.format(newsId))
• requests.get(clickUrl)
• newClick(用字符串处理，或正则表达式)
• int()

整个过程包装成一个简单清晰的函数。

尝试去爬取一个你感兴趣的网页。

# 获取一篇新闻的全部信息
import re
import requests
from bs4 import BeautifulSoup
from datetime import datetime


# 获取新闻id
def newsnum(url):
    newsid = re.match('http://news.gzcc.cn/html/2019/meitishijie_0321/(.*).html', url).group(1)
    return newsid


# 发布时间:datetime类型
def newstime(soup):
    newsdate = soup.select('.show-info')[0].text.split()[0].split(':')[1]
    newstime = soup.select('.show-info')[0].text.split()[1]
    time = newsdate + ' ' + newstime
    time = datetime.strptime(time, '%Y-%m-%d %H:%M:%S')
    return time


# 获取点击次数
def click(url):
    id = re.findall('(d{1,5})', url)[-1]
    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
    res = requests.get(clickUrl)
    click = res.text.split('.html')[-1].lstrip("('").rstrip("');")
    return click

# 主函数
def main(url):
    res = requests.get(url)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    #print(soup.select('.show-info')[0].text.split());
    print("新闻编号:" + newsnum(url));                       # 新闻编号id
    print("标题:" + soup.select('.show-title')[0].text);     # 标题
    print("发布时间:" + str(newstime(soup)));                # 发布时间
    print(soup.select('.show-info')[0].text.split()[2]);     # 作者
    print(soup.select('.show-info')[0].text.split()[3]);     # 审核
    print(soup.select('.show-info')[0].text.split()[4]);     # 来源
    print("内容:" + soup.select('.show-content p')[0].text); # 内容
    return

url = "http://news.gzcc.cn/html/2019/meitishijie_0321/11033.html"
main(url)