• 爬取校园新闻首页的新闻的详情,使用正则表达式,函数抽离


    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。

    # -*- coding:UTF-8 -*-
    # -*- author:deng -*-
    import requests
    import re
    from bs4 import BeautifulSoup
    from datetime import datetime
    
    newsurl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
    res=requests.get(newsurl)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    
    for i in soup.select('li'):
        if len(i.select('.news-list-title'))>0:
            x=i.select('.news-list-title')[0].text
            y=i.select('.news-list-description')[0].text
            z=i.select('.news-list-info')[0].text
            p = i.select('a')[0].attrs['href']
            print(x,y)
            print(z,p)

    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。

    for i in soup.select('li'):
        if len(i.select('.news-list-title'))>0:
            a=i.select('.news-list-title')[0].text
            b=i.select('.news-list-description')[0].text
            c=i.select('a')[0].attrs['href']
            read=requests.get(c)
            read.encoding='utf-8'
            soupSecond=BeautifulSoup(read.text,'html.parser')
            d=soupSecond.select('#content')[0].text
            print(soupSecond.select('.show-info')[0].text)

    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。

    # 获取新闻点击次数
    def getNewsId(url):
        newsId = re.findall(r'\_(.*).html', newsUrl)[0][-4:]
        clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
        clickRes = requests.get(clickUrl)
        # 利用正则表达式获取新闻点击次数
        clickCount = int(re.search("hits').html('(.*)');", clickRes.text).group(1))
        return clickCount
    
    
    # 获取新闻细节
    def getNewsDetail(newsUrl):
        resd = requests.get(newsUrl)
        resd.encoding = 'utf-8'
        soupd = BeautifulSoup(resd.text, 'html.parser')
        content = soupd.select('#content')[0].text
        info = soupd.select('.show-info')[0].text
        # 调用getNewsId()获取点击次数
        count = getNewsId(newsUrl)
        print(info)
        # 识别时间格式
        date = re.search('(d{4}.d{2}.d{2}sd{2}.d{2}.d{2})', info).group(1)
        # 识别一个至三个数据
        author = re.search('作者:((.{3}s){1,3})', info).group(1)
        check = re.search('审核:((.{3}s){1,3})', info).group(1)
        sources = re.search('来源:((.{3}s){1,3})', info).group(1)
        # 用datetime将时间字符串转换为datetime类型
        dateTime = datetime.strptime(date, '%Y-%m-%d %H:%M:%S')
        # 利用format对字符串进行操作
        print('发布时间:{0}
    作者:{1}
    审核:{2}
    来源:{3}
    点击次数:{4}'.format(dateTime, author, check, sources, count))
        print(content)
    
    for new in soup.select('li'):
        if len(new.select('.news-list-title')) > 0:
            title = new.select('.news-list-title')[0].text
            description = new.select('.news-list-description')[0].text
            newsUrl = new.select('a')[0]['href']
    
            print('标题:{0}
    内容:{1}
    链接:{2}'.format(title, description, newsUrl))
            # 调用getNewsDetail()获取新闻详情
            getNewsDetail(newsUrl)
            break

  • 相关阅读:
    【转】Android之四大组件、六大布局、五大存储
    Android O 8.0 奥利奥
    安卓7.1新特性
    那些年我们踩过的坑,SQL 中的空值陷阱!
    8年经验面试官详解 Java 面试秘诀
    Github 第三方授权登录教程
    40个超有趣的Linux命令行彩蛋和游戏
    Synchronized锁在Spring事务管理下,为啥还线程不安全?
    Windows Server 2008 R2文件服务器升级到Windows Server 2016
    牛客练习赛61
  • 原文地址:https://www.cnblogs.com/dfq621/p/8762638.html
Copyright © 2020-2023  润新知