爬取校园新闻

Posted 2020-10-29 蓝海鹏

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。

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。

 

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\')


# 获取新闻点击次数
def getNewsId(url):
    newsId = re.findall(r\'\\_(.*).html\', url)[0][-4:]
    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


# 获取新闻细节
def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = \'utf-8\'
    soupd = BeautifulSoup(resd.text, \'html.parser\')

    content = soupd.select(\'#content\')[0].text
    info = soupd.select(\'.show-info\')[0].text
    # 调用getNewsId()获取点击次数
    count = getNewsId(newsUrl)# 识别时间格式
    date = re.search(\'(\\d{4}.\\d{2}.\\d{2}\\s\\d{2}.\\d{2}.\\d{2})\', info).group(1)
    # 识别一个至三个数据
    author = re.search(\'作者：((.{3}\\s){1,3})\', info).group(1)
    check = re.search(\'审核：((.{3}\\s){1,3})\', info).group(1)
    sources = re.search(\'来源：((.{3}\\s){1,3})\', info).group(1)
    # 用datetime将时间字符串转换为datetime类型
    dateTime = datetime.strptime(date, \'%Y-%m-%d %H:%M:%S\')
    # 利用format对字符串进行操作
    print(\'发布时间：{0}\\n作者：{1}\\n审核：{2}\\n来源：{3}\\n点击次数：{4}\'.format(dateTime, author, check, sources, count))
    print(content)


for new in soup.select(\'li\'):
    if len(new.select(\'.news-list-title\')) > 0:
        title = new.select(\'.news-list-title\')[0].text
        description = new.select(\'.news-list-description\')[0].text
        newsUrl = new.select(\'a\')[0][\'href\']

        print(\'标题:{0}\\n内容:{1}\\n链接:{2}\'.format(title, description, newsUrl))
        # 调用getNewsDetail()获取新闻详情
        getNewsDetail(newsUrl)
        break

 

结果：