zoukankan      html  css  js  c++  java
  • 爬取新闻列表

    1. 获取单条新闻的#标题#链接#时间#来源#内容 #点击次数,并包装成一个函数。
    2. 获取一个新闻列表页的所有新闻的上述详情,并包装成一个函数。
    3. 获取所有新闻列表页的网址,调用上述函数。
    4. 完成所有新闻的爬取。
      import requests
      from bs4 import BeautifulSoup
      
      res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')
      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
              url=news.select('a')[0]['href']
              time=news.select('.news-list-info')[0].contents[0].text
              dt=datetime.strptime(time,'%Y-%m-%d')
              source=news.select('.news-list-info')[0].contents[1].text
      
              resd=requests.get(url)
              resd.encoding='utf-8'
              soupd=BeautifulSoup(resd.text,'html.parser')
      
              print(time,title,url)
      import requests
      from bs4 import BeautifulSoup
      from datetime import datetime
      
      gzccurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
      res = requests.get(gzccurl)
      res.enconding='utf-8'
      soup = BeautifulSoup(res.text,'html.parser')
      
      for news in soup.select('li'):
          if len (news.select('.news-list-litle'))>0:
              title = news.select('.news-list-title')[0].text
              url = news.select('a')[0]['href']
              time = news.select('.news-list-info')[0].contents[0].text
              dt = datetime.strptime(time,'%Y-%m-%d')
              source = news.select('.news-list-info')[0].contents[1].text
      
              resd=requests.get(url)
              resd.encoding='utf-8'
              soupd = BeautifulSoup(read.text,'html.parser')
              detail = soupd.select('.show-content')[0].text
              click = requests.get('http://oa.gzcc.cn/api.php?op=count&id=8249&modelid=80').text.split('.')[-1].lstrip(html(''))
      
              print(click)
              break
      import requests
      import re
      from bs4 import BeautifulSoup
      def getclick(newurl):    #函数:采用匹配方式,动态获取每一文章点击次数
          id=re.search('_(.*).html',newurl).group(1).split('/')[1]
          clickurl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
          click=int(requests.get('http://oa.gzcc.cn/api.php?op=count&id=4662&modelid=80').text.split('.')[-1].lstrip("html('").rstrip("');"))
          return click
      
      def getonepages(eveylisturl):  #函数:每一页的每一文章
          res=requests.get(eveylisturl)
          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
                  url=news.select('a')[0]['href']#网址
                  time=news.select('.news-list-info')[0].contents[0].text#时间
                  bumen=news.select('.news-list-info')[0].contents[1].text#院系
                  #txt=news.select('.news-list-description')[0].text #正文
      
                  resd=requests.get(url)
                  resd.encoding='utf-8'
                  soupd=BeautifulSoup(resd.text,'html.parser')
                  detail=soupd.select('.show-content')[0].text #获取正文
                  count=getclick(url)      #调用函数获得文章的点击次数
        
                  print(title,count)
      
      gzcc='http://news.gzcc.cn/html/xiaoyuanxinwen/'  #函数开头
      res=requests.get(gzcc)
      res.encoding='utf-8'
      soup=BeautifulSoup(res.text,'html.parser')
      
              
           
      n=int(soup.select('.a1')[0].text.rstrip(''))
      pages=n//10+1                    #计算多少条多少页
      for i in range(2,5):
          pagesurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
          getonepages(pagesurl)
  • 相关阅读:
    循环
    if条件语句
    中文字符,全角字符的正则表达式
    常用正则表达式大全!(例如:匹配中文、匹配html)
    PHP中$_SERVER的详细参数与说明
    IIS 伪静态配置(安装ISAPI_Rewrite配置)
    iis php 服务器设置问题
    Apache Rewrite 拟静态配置
    DEDE时间
    DEDE 字符串操作常见问题
  • 原文地址:https://www.cnblogs.com/hxhlo/p/7649737.html
Copyright © 2011-2022 走看看