爬取新闻列表

Posted 2020-10-10 23江瑜斌

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。
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。
3. 获取所有新闻列表页的网址，调用上述函数。
4. 完成所有校园新闻的爬取工作。

   import requests
   import re
   from bs4 import BeautifulSoup
   url=\'http://news.gzcc.cn/html/xiaoyuanxinwen/\'
   res=requests.get(url)
   res.encoding=\'utf-8\'
   soup=BeautifulSoup(res.text,\'html.parser\')
   li=soup.select(\'li\')
   
   def get(gzcc):
       dj=re.search(\'_.*/(.*).html\',gzcc).groups(0)[0]
       djcs=int(requests.get(\'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80\'.format(dj)).text.split(\'.\')[-1].lstrip("html(\'").rstrip("\');"))
       return djcs
   
   def sss(label):
       for news in label:
           if len(news.select(\'.news-list-title\'))>0:

               title=news.select(\'.news-list-title\')[0].text #标题
               time=news.select(\'.news-list-info\')[0].contents[0].text#时间
               url1=news.select(\'a\')[0][\'href\']#url
               bumen=news.select(\'.news-list-info\')[0].contents[1].text#部门
               description=news.select(\'.news-list-description\')[0].text #描述
               cs=get(url1)
               print(time,title,url,cs)
   sss(li)
   
   pages=int(soup.select(\'.a1\')[0].text.rstrip(\'条\'))//10+1        
   for list in range(2,pages+1):
       pageurl="http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(list)
       pageres=requests.get(pageurl)
       pageres.encoding=\'utf-8\'
       pagesoup=BeautifulSoup(pageres.text,\'html.parser\')
       pagelist=pagesoup.select(\'li\')
       sss(pagelist)
       break

    

5. 完成自己所选其他主题相应数据的爬取工作。 

   import requests
   import re
   from bs4 import BeautifulSoup
   url=\'http://news.szu.edu.cn/xyxw/sdyw.htm\'
   res=requests.get(url)
   res.encoding=\'utf-8\'
   soup=BeautifulSoup(res.text,\'html.parser\')
   li=soup.select(\'li\')
   
   def get(shenda):
       dj=re.search(\'_.*/(.*).htm\',shenda).groups(0)[0]
       djcs=int(requests.get(\'http://news.szu.edu.cn/info/1003/{}.htm\'.format(dj)).text.split(\'.\')[-1].lstrip("html(\'").rstrip("\');"))
       return djcs
   
   def sd(label):
       for news in label:
           if len(news.select(\'._blank\'))>0:
               title=news.select(\'._blank\')[0].text
               time=news.select(\'._blank\').contents[0].text
               url1=news.select(\'a\')
   
               cs=get(url1)
               print(time,title,url,cs)
   sd(li)
   
   pages=int(soup.select(\'.left\')[0].text.rstrip(\'条\'))//10+1
   for list in range(2,pages+1):
       pageurl="http://news.szu.edu.cn/xyxw/sdyw/{}.htm".format(list)
       pageres=requests.get(pageurl)
       pageres.encoding=\'utf-8\'
       pagesoup=BeautifulSoup(pageres.text,\'html.parser\')
       pagelist=pagesoup.select(\'li\')
       sd(pagelist)
       break