爬取校园新闻首页的新闻

Posted 2020-10-29 天空遗落之物

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
import requests
from bs4 import BeautifulSoup

res=requests.get(\'http://news.gzcc.cn/html/xiaoyuanxinwen/\')
res.encoding=\'utf-8\'
soup=BeautifulSoup(res.text,\'html.parser\')
soup

# print(soup)

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)

截图：

 

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.a.attrs[\'href\']
     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)

 

截图：

 

 

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。（新增）

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。

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。

#coding=utf-8
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
res = requests.get(\'http://news.gzcc.cn/html/xiaoyuanxinwen/\')
res.encoding = \'utf-8\'
soup = BeautifulSoup(res.text, \'html.parser\')

def getCount(url):
    newsId = re.findall(r\'\\_(.*).html\', url)[0][-4:]     # 获取新闻编号
    # 生成点击次数的Request URL
    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

#遍历li标签获取新闻内容
for news in soup.select("li"):
    if len(news.select(".news-list-title"))>0: #查看是否存在数据
        title = news.select(".news-list-title")[0].text #新闻标题
        description = news.select(".news-list-description")[0].text #新闻描述
        a = news.a.attrs["href"] #新闻细节

        resd = requests.get(a)
        resd.encoding = \'utf-8\'
        soupd = BeautifulSoup(resd.text, \'html.parser\')

        # 正则输出结果
        content = soupd.select(\'.show-content\')[0].text
        info = soupd.select(\'.show-info\')[0].text
        count = getCount(a)      # 再次调用getClickCount()获取点击次数
        time = re.search(\'发布时间:(.*)\\xa0\\xa0 \\xa0\\xa0作者：\', info).group(1)
        author = re.search(\'作者：(.*)\\xa0\\xa0审核：\', info).group(1)
        check = re.search(\'审核：(.*)\\xa0\\xa0来源：\', info).group(1)
        sources = re.search(\'来源：(.*)\\xa0\\xa0\\xa0\\xa0摄影：\', info).group(1)
        # 将时间字符串datetime转换为datetime
        thetime= datetime.strptime(time, \'%Y-%m-%d %H:%M:%S\')
        print(\'标题\' + \': \' + title)
        print(\'概要\' + \': \' + description)
        print(\'链接\' + \': \' + a)
        print(\'正文\' + \' :\' + content)
        print(\'发布时间：{0}\\n作者：{1}\\n来源：{2}\\n点击次数：{5}\'.format(thetime, author, sources, count))
        break