zoukankan      html  css  js  c++  java
  • 爬取新闻2

    import requests
    import re
    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')
    
    n=int(soup.select('.a1')[0].text.rstrip('条'))
    pages=n//10+1
    for i in range(2,pages+1):
        pagesurl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
        print(pagesurl)
    
    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('条'))
    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)
    
    #print(len(getonepages))
    
    df = pandas.DataFrame(getonepages)
    print(df.head())
    
    with sqlite3.connect('gzccnewsdb2.sqlite') as db:
        df.to_sql('gzccnewsdb2',con = db)
                                 
    

      

  • 相关阅读:
    github创建repo,本地导入git项目到github
    成功的GIT开发分支模型和策略
    示例可重用的web component方式组织angular应用模块
    git deployment strategy
    如何在linux中从源代码编译安装nodejs?
    some resource favor
    学而习之,成就学习
    C# 去掉代码前边空格(格式化代码)
    mvc重定向
    mvc cshtml 中赋值
  • 原文地址:https://www.cnblogs.com/money1995/p/7685598.html
Copyright © 2011-2022 走看看