爬取所有校园新闻

Posted 2020-10-10 陈思远

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
from bs4 import BeautifulSoup
import re
 
#点击次数
def getclick(newurl):   
    id=re.search(‘_(.*).html‘,newurl).group(1).split(‘/‘)[1]
    clickurl=‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(id)
    click=int(requests.get(‘http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80‘).text.split(‘.‘)[-1].lstrip("html(‘").rstrip("‘);"))
    return click
 #新闻详情
def getnews(listurl): 
    res=requests.get(listurl)
    res.encoding=‘utf-8‘
    soup=BeautifulSoup(res.text,‘html.parser‘)
 
    for news in soup.select(‘li‘):
        if len(news.select(‘.news-list-title‘))>0:
            title = news.select(‘.news-list-title‘)[0].text
            url=news.select(‘a‘)[0][‘href‘]
            time=news.select(‘.news-list-info‘)[0].contents[0].text
            source=news.select(‘.news-list-info‘)[0].contents[1].text
 
            resd=requests.get(url)
            resd.encoding=‘utf-8‘
            soupd = BeautifulSoup(resd.text,‘html.parser‘)
            detail=soupd.select(‘.show-content‘)[0].text
 
            count=getclick(url)
             
            print(‘时间：‘,time,‘\n标题：‘,title,‘\n链接：‘,url,‘\n来源：‘,source,‘\n详细内容：‘,detail,‘\n‘)
 #新闻列表网址        
res = requests.get(‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘)
res.encoding=‘utf-8‘
soup = BeautifulSoup(res.text,‘html.parser‘)
s=int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))
ss=s//10+1                  
for i in range(1,s):
    gzccurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
    getnews(gzccurl)

　　

5.完成自己所选其他主题相应数据的爬取工作。

for news in soup.select(‘li‘):
    if len(news.select(‘.news-list-title‘))>0:
        title=news.select(‘.news-list-title‘)[0].text
        url=news.select(‘a‘)[0][‘href‘]
        time=news.select(‘.news-list-info‘)[0].contents[0].text
        dt=datetime.strptime(time,‘%Y-%m-%d‘)
        source=news.select(‘.news-list-info‘)[0].contents[1].text
        detail=getdetail(url)

        print(dt,title,url,source,detail)