爬取校园新闻首页的新闻的详情，使用正则表达式，函数抽离

Posted 2020-10-30 lawliet12

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 locale
import re
locale.setlocale(locale.LC_CTYPE,\'chinese\')
newsurl = \'http://news.gzcc.cn/html/xiaoyuanxinwen/\'
res = requests.get(newsurl) #返回response
res.encoding = \'utf-8\'
soup = BeautifulSoup(res.text,\'html.parser\')

def getClickCount(newsUrl):   #获取点击次数
    newsId = re.findall(\'\\_(.*).html\', newsUrl)[0].split(\'/\')[1]   #使用正则表达式取得新闻编号
    clickUrl = \'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80\'.format(newsId)
    clickStr = requests.get(clickUrl).text
    return(re.search("hits\'\\).html\\(\'(.*)\'\\);",clickStr).group(1))

def getNewDetail(newsUrl):   #获取新闻详情
    resd = requests.get(newsUrl)  # 返回response
    resd.encoding = \'utf-8\'
    soupd = BeautifulSoup(resd.text, \'html.parser\')
    print(\'标题：\' + title)
    print(\'描述：\' + description)
    print(\'链接：\' + newsUrl)
    info = soupd.select(\'.show-info\')[0].text
    time = re.search(\'发布时间:(.*) \\xa0\\xa0 \\xa0\\xa0作者：\', info).group(1)
    dtime = datetime.strptime(time, \'%Y-%m-%d %H:%M:%S\')   #时间转换成datetime类型
    print(\'发布时间：{}\'.format(dtime))
    print(\'作者：\' + re.search(\'作者：(.*)审核：\', info).group(1))
    print(\'审核：\' + re.search(\'审核：(.*)来源：\', info).group(1))
    print(\'来源：\' + re.search(\'来源：(.*)摄影：\', info).group(1))
    print(\'摄影：\' + re.search(\'摄影：(.*)点击\', info).group(1))
    print(\'点击次数：\' + getClickCount(a))
    print(\'正文：\'+soupd.select(\'.show-content\')[0].text)

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