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 斯-shh

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬取校园新闻首页的新闻的详情,使用正则表达式,函数抽离相关的知识,希望对你有一定的参考价值。

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。

 

# -*- coding: UTF-8 -*-# -*-
import requests
import re
import locale
locale=locale.setlocale(locale.LC_CTYPE, \'chinese\')

from bs4 import BeautifulSoup
from datetime import datetime


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

def getNewDetail(Url):
    for news in soup.select(\'li\'):
    # print(news)
        if len(news.select(\'.news-list-title\'))>0:
            t1=news.select(\'.news-list-title\')[0].text
            d1=news.select(\'.news-list-description\')[0].text
            a=news.select(\'a\')[0].attrs[\'href\']

            res = requests.get(a)
            res.encoding = \'utf-8\'
            soupd = BeautifulSoup(res.text, \'html.parser\')
            c=soupd.select(\'#content\')[0].text
            info=soupd.select(\'.show-info\')[0].text
            d=info.lstrip(\'发布时间:\')[:19]
            print("标题:", t1)
            print("链接:", a)
            print("展示:", info)
            print("正文:", c)

            resd = requests.get(a)
            resd.encoding = \'utf-8\'
            soupd = BeautifulSoup(resd.text, \'html.parser\')
            t = soupd.select(\'.show-info\')[0].text[0:24].lstrip(\'发布时间:\')
            dt = datetime.strptime(t, \'%Y-%m-%d %H:%M:%S\')
            print("发布时间:", dt)

            au=info[info.find(\'作者\'):].split()[0].lstrip(\'作者:\')
            f = info[info.find(\'来源\'):].split()[0].lstrip(\'来源:\')
            p = info[info.find(\'摄影\'):].split()[0].lstrip(\'摄影:\')

            print("作者:", au)
            print("来源:", f)
            print("摄影:", p)

            getClickCount(a)
            break

        def getClickCount(newsUrl):

            rematch=re.match(\'http://news.gzcc.cn/html/2018/xiaoyuanxinwen(.*).html\',newsUrl).group(1).split(\'/\')[1]
            newId=re.search(\'\\_(.*).html\',newsUrl).group(1)
            refindall=re.findall(\'\\_(.*).html\',newsUrl)[0]
        # clickUrl="http://oa.gzcc.cn/api.php?op=count&id=9183&modelid=80".format(newId)

        # print(rematch)


            clickUrl = \'http://oa.gzcc.cn/api.php?op=count&id=9183&modelid=80\'
            rest = requests.get(clickUrl).text.split(\'.html\')[-1].lstrip("(\'").rstrip("\');")
            print("新闻编号:", newId)
            print("点击次数URL:", clickUrl)
            print("点击次数:",rest)

            clickStr = requests.get(clickUrl).text
            getClickCount = re.search("hits\'\\).html\\(\'(.*)\'\\);", clickStr).group(1)
            print("点击次数1:",getClickCount)

getNewDetail(url)

 

 

以上是关于爬取校园新闻首页的新闻的详情,使用正则表达式,函数抽离的主要内容,如果未能解决你的问题,请参考以下文章

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

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

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

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

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

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