爬取全部校园新闻

作业要求：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3002

---

0.从新闻url获取点击次数，并整理成函数

• newsUrl
• newsId(re.search())
• clickUrl(str.format())
• requests.get(clickUrl)
• re.search()/.split()
• str.lstrip(),str.rstrip()
• int
• 整理成函数
• 获取新闻发布时间及类型转换也整理成函数

1 2 3 4 5 6 7 8 9 10 11 12 13

# 获取点击次数 def clickCount(url):     newsId = re.search('/(d+).html', url).groups(0)[0]     timeUrl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)     clickTime=re.findall("d+",requests.get(timeUrl).text.split(';')[3])[0]     return clickTime   #获取新闻时间 def newsDateTime(head):     date=head[0][5:]     time=head[1]     format='%Y-%m-%d %H:%M:%S'     return datetime.strptime(date+" "+time,format)

　　

1.从新闻url获取新闻详情： 字典,anews

1 2 3 4 5 6 7 8 9 10 11 12 13

#获取新闻信息 def anews(url):     newsDetail={}     get=requests.get(url)     get.encoding='utf-8'     soup=BeautifulSoup(get.text,'html.parser')     newsDetail['title']=soup.select('.show-title')[0].text; # 新闻题目     head=soup.select('.show-info')[0].text.split()     newsDetail['datetime']=newsDateTime(head) # 新闻时间     newsDetail['clickTime']=clickCount(url) # 点击次数     newsDetail['content'] = soup.select('.show-content')[0].text # 点击内容     newsDetail['url']=url     return newsDetail

　　

2.从列表页的url获取新闻url：列表append(字典) alist

1 2 3 4 5 6 7 8 9 10 11

#获取新闻列表页中的新闻url def alist(listUrl):     get=requests.get(listUrl)     get.encoding='utf-8'     soup=BeautifulSoup(get.text,'html.parser')     newsList=[]     for news in soup.select('li'):         if len(news.select('.news-list-title'))>0:             newsUrl=news.select('a')[0]['href']             newsList.append(newsUrl)     return newsList

　　

3.生成所页列表页的url并获取全部新闻 ：列表extend(列表) allnews

*每个同学爬学号尾数开始的10个列表页

1 2 3 4 5 6 7

#爬取64至74页的数据 url=[] for i in range(64,74):     url.extend(alist('http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i))) allnews=[]; for i in url:     allnews.append(anews(i))

　　

4.设置合理的爬取间隔

import time

import random

time.sleep(random.random()*3)

time.sleep(random.random()*3)

　　

　　

5.用pandas做简单的数据处理并保存

保存到csv或excel文件 

newsdf.to_csv(r'F:duym爬虫gzccnews.csv')

1 2 3 4

#保存文件 pd.Series(allnews) newsdf=pd.DataFrame(allnews) newsdf.to_csv('news.csv',encoding='utf-8')

　　

运行截图：

 

　　

6.完整代码

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
import sqlite3
import pandas as pd
import time
import pandas
import random

# 获取点击次数
def clickCount(url):
    newsId = re.search('/(d+).html', url).groups(0)[0]
    timeUrl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)
    clickTime=re.findall("d+",requests.get(timeUrl).text.split(';')[3])[0]
    return clickTime

#获取新闻时间
def newsDateTime(head):
    date=head[0][5:]
    time=head[1]
    format='%Y-%m-%d %H:%M:%S'
    return datetime.strptime(date+" "+time,format)

#获取新闻信息
def anews(url):
    newsDetail={}
    get=requests.get(url)
    get.encoding='utf-8'
    soup=BeautifulSoup(get.text,'html.parser')
    newsDetail['title']=soup.select('.show-title')[0].text; # 新闻题目
    head=soup.select('.show-info')[0].text.split()
    newsDetail['datetime']=newsDateTime(head) # 新闻时间
    newsDetail['clickTime']=clickCount(url) # 点击次数
    newsDetail['content'] = soup.select('.show-content')[0].text # 点击内容
    newsDetail['url']=url
    return newsDetail


#获取新闻列表页中的新闻url
def alist(listUrl):
    get=requests.get(listUrl)
    get.encoding='utf-8'
    soup=BeautifulSoup(get.text,'html.parser')
    newsList=[]
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            newsUrl=news.select('a')[0]['href']
            newsList.append(newsUrl)
    return newsList

#爬取64至74页的数据
url=[]
for i in range(64,74):
    url.extend(alist('http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)))
allnews=[];
for i in url:
    allnews.append(anews(i))
    time.sleep(random.random()*3)

#保存文件
pd.Series(allnews)
newsdf=pd.DataFrame(allnews)
newsdf.to_csv('news.csv',encoding='utf-8')