- 用requests库和BeautifulSoup4库,爬取校园新闻列表的时间、标题、链接、来源。
import requests from bs4 import BeautifulSoup url='http://news.gzcc.cn/html/xiaoyuanxinwen/' res=requests.get(url) res.encoding='utf-8' soup=BeautifulSoup(res.text,'html.parser') for news in soup.select('li'): if len(news.select('.news-list-title'))>0: title=news.select('.news-list-title')[0].text #标题 time=news.select('.news-list-info')[0].contents[0].text#时间 url1=news.select('a')[0]['href']#url bumen=news.select('.news-list-info')[0].contents[1].text#部门 description=news.select('.news-list-description')[0].text #描述 print(time,title,bumen,url)
- 选一个自己感兴趣的主题,做类似的操作,为“爬取网络数据并进行文本分析”做准备。
import requests from bs4 import BeautifulSoup jq='http://news.qq.com/l/milite/milgn/list2010122872223.htm' res = requests.get(jq) res.encoding='gb2312' soup = BeautifulSoup(res.text,'html.parser') for news in soup.select('li'): if len(news.select('a'))>0: title=news.select('a')[0].text url=news.select('a')[0]['href'] #time=news.select('span')[0].contents[0].text #print(time,title,url) print(title,url)
结果:
获取时间的那里显示IndexError: list index out of range
但实际上里面不是空的,不知为何抓取不了