爬取所有校园新闻

Posted 2020-10-10 lcm1995

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬取所有校园新闻相关的知识，希望对你有一定的参考价值。

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。

import requests
import re
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)
def getclick(newsurl):
    id=re.match(‘http://news.gzcc.cn/html/2017/xiaoyuanxinwen_(.*).html‘,newsurl).groups()[0].split(‘/‘)[1]
    clickurl=(‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘).format(id)
    click=int(requests.get(clickurl).text.split(‘.‘)[-1].lstrip("html(‘").rstrip("‘);"))
    return(click)
    
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
        click=getclick(url)#点击次数
        print(title,url,time,dt,where,click)

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。

import requests
import re
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)
def getclick(newsurl):
    id=re.search(‘_(.*).html‘,newsurl).group(1).split(‘/‘)[1]
    clickurl=(‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘).format(id)
    click=int(requests.get(clickurl).text.split(‘.‘)[-1].lstrip("html(‘").rstrip("‘);"))
    return(click)
def getonepage(listurl):
    resd=requests.get(listurl)
    resd.encoding=‘utf-8‘
    soup=BeautifulSoup(resd.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 #标题
            a=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
            detail=getdetail(a) #详情
            click=getclick(a)#点击次数
            print(title,time,dt,a,where,click)
getonepage(‘http://news.gzcc.cn/html/xiaoyuanxinwen/index.html‘)
res=requests.get(‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,‘html.parser‘)
page=int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))//10+1                 
for i in range(2,page):
    gzccurl=‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
    getonepage(gzccurl)

以上是关于爬取所有校园新闻的主要内容，如果未能解决你的问题，请参考以下文章

爬取所有校园新闻