zoukankan      html  css  js  c++  java
  • 爬取全部的校园新闻

    1.从新闻url获取新闻详情: 字典,anews

    2.从列表页的url获取新闻url:列表append(字典) alist

    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

    4.设置合理的爬取间隔

    import time

    import random

    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')

    保存到数据库

    import sqlite3
    with sqlite3.connect('gzccnewsdb.sqlite') as db:
        newsdf.to_sql('gzccnewsdb',db)

    # -*- coding: utf-8 -*-
    import requests
    from bs4 import BeautifulSoup
    import re
    import pandas
    
    def resToSoup(url):
        res=requests.get(url)
        res.encoding = 'utf-8'
        demo=res.text
        return BeautifulSoup(demo,'lxml')
    
    def getLiUrl(url,aUrl):
        soup=resToSoup(url)
        aTags=soup.select('ul[class="news-list"] a')
        for x in aTags:
            aUrl.append(x.get("href"))
    
    def click(url):
        id = re.findall('(d{1,5})',url)[-1]
        clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
        res = requests.get(clickUrl)
        click =int(res.text.split('.html')[-1].lstrip("('").rstrip("');"))
        return click
    
    def readInfo(aUrl,infoList):
        for url in aUrl:
            soup=resToSoup(url)
            dict = {'title': '', 'time': '', 'writer': '','click':''}
            dict['title']=soup.select('div[class="show-title"]')[0].text
            dict['time']=soup.select('div[class="show-info"]')[0].text.split()[1]
            dict['writer']=soup.select('div[class="show-info"]')[0].text.split()[2]
            dict['click']=click(url)
            infoList.append(dict)
            
    
    startUrl="http://news.gzcc.cn/html/xiaoyuanxinwen/"
    aUrl=[]
    infoList=[]
    for i in range(67,78):
        url=startUrl+str(i)+".html"
        getLiUrl(url,aUrl)
    
    
    readInfo(aUrl,infoList)
    print(infoList)
    pandas_date = pandas.DataFrame(infoList);
    pandas_date.to_csv(".pandas_date.csv", encoding="utf-8_sig");
        
    

      

  • 相关阅读:
    机器学习: 基于MRF和CNN的图像合成
    概率论经典问题 —— 三个事件 A、B、C 独立 ≠ 三个事件两两独立
    概率论经典问题 —— 三个事件 A、B、C 独立 ≠ 三个事件两两独立
    中国文化史
    中国文化史
    详解第一个CUDA程序kernel.cu
    【读书笔记】 —— 历史篇
    【读书笔记】 —— 历史篇
    美国政府、部门构成及其运作
    实时抢占补丁概观(待续)
  • 原文地址:https://www.cnblogs.com/WYuHan/p/10698629.html
Copyright © 2011-2022 走看看