用requests库和BeautifulSoup4库爬取新闻列表

Posted 2020-10-08 lcm1995

• 用requests库和BeautifulSoup4库，爬取校园新闻列表的时间、标题、链接、来源、详细内容。
• 将其中的时间str转换成datetime类型。
• 将取得详细内容的代码包装成函数。

  import requests
  from bs4 import BeautifulSoup
  from datetime import datetime
  news=\'http://news.gzcc.cn/html/xiaoyuanxinwen/\'
  res=requests.get(news)
  res.encoding=\'utf-8\'
  soup=BeautifulSoup(res.text,\'html.parser\')
  
  def getdetail(url):
      resd=requests.get(url)
      resd.encoding=\'utf-8\'
      soup=BeautifulSoup(resd.text,\'html.parser\')
      return(soup.select(\'.show-content\')[0].text)
  for news in soup.select (\'li\'):
      if len(news.select(\'.news-list-title\'))>0:
          title=news.select(\'.news-list-title\')[0].text #标题
          url=news.select(\'a\')[0][\'href\'] #链接
          time=(news.select(\'.news-list-info\')[0].contents[0].text) #时间
          dt=datetime.strptime(time,\'%Y-%m-%d\')
          where=(news.select(\'.news-list-info\')[0].contents[1].text) #来源
          resd=requests.get(url)
          resd.encoding=\'utf-8\'
          soup=BeautifulSoup(resd.text,\'html.parser\')
          detail=getdetail(url) #详情
          print(dt,title,url,where,detail)
          
          

  

• 选一个自己感兴趣的主题，做类似的操作，为后面“爬取网络数据并进行文本分析”做准备。

  import requests
  from bs4 import BeautifulSoup
  news=\'http://www.gdrsks.gov.cn/\'
  res=requests.get(news)
  res.encoding=\'utf-8\'
  soup=BeautifulSoup(res.text,\'html.parser\')
  for news in soup.select (\'li\'):
      if len(news.select(\'.node\'))>0:
          t=news.select(\'.node\')[0].text
          k=news.select(\'.title\')[0].text
          url=news.select(\'a\')[0][\'href\'] #链接
          print(t,k,url)