zoukankan      html  css  js  c++  java
  • 爬取校园新闻首页的新闻

    1. 用requests库和BeautifulSoup库,爬取校园新闻首页新闻的标题、链接、正文。
    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: d = news.select('.news-list-info')[0].contents[0].text #时间 t = news.select('.news-list-title')[0].text #标题 a = news.select('a')[0].attrs['href'] #连接 print(d, t, a) # 通过连接获取新闻网页 res2 = requests.get(a) res2.encoding = 'utf-8' soup2 = BeautifulSoup(res2.text, 'html.parser') # 取得新闻正文 z=soup2.select('#content')[0].text print(z) break

    2. 分析字符串,获取每篇新闻的发布时间,作者,来源等信息。

    info=soup2.select('.show-info')[0].text
           # print(info)
           dt = info.lstrip('发布时间:')[:19]
           at = info[info.find('作者:'):].split()[0].lstrip('作者:')
           sh = info[info.find('审核:'):].split()[0].lstrip('审核:')
           ly = info[info.find('来源:'):].split()[0].lstrip('来源:')
           print(dt, at, sh, ly)
    

     3. 将其中的发布时间由str转换成datetime类型。

    from datetime import datetime
            dati = datetime.strptime(dt, '%Y-%m-%d %H:%M:%S')
            print(dati, dati.strftime('%Y/%m/%d'))
    

    4. 将完整的代码及运行结果截图发布在作业上

    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:                        #时间
            d = news.select('.news-list-info')[0].contents[0].text
            t = news.select('.news-list-title')[0].text                   #标题
            a = news.select('a')[0].attrs['href']                           #连接
            print(d, t, a)
            # 通过连接获取新闻网页
            res2 = requests.get(a)
            res2.encoding = 'utf-8'
            soup2 = BeautifulSoup(res2.text, 'html.parser')
            # 取得新闻正文
            z=soup2.select('#content')[0].text
            print(z)
            #取得发布时间、作者等数据项
            info=soup2.select('.show-info')[0].text
            print(info)
            dt = info.lstrip('发布时间:')[:19]
            at = info[info.find('作者:'):info.find('审核:')].split()[0].lstrip('作者:')
            sh = info[info.find('审核:'):].split()[0].lstrip('审核:')
            ly = info[info.find('来源:'):].split()[0].lstrip('来源:')
            print(dt,at,sh,ly)
            from datetime import datetime
            dati = datetime.strptime(dt, '%Y-%m-%d %H:%M:%S')
            # print(type(dati))
            print(dati, dati.strftime('%Y/%m/%d'))
            break
    

  • 相关阅读:
    细说进程、应用程序域与上下文之间的关系
    sql server2008添加登录账户配置权限 && 登录时18456错误
    Sql CLR
    设计模式学习篇(一)
    常用实用方法
    OOP 6大基本原则
    如何成为一个优秀的程序员
    家庭网络
    反射
    ADO.Net 事务操作
  • 原文地址:https://www.cnblogs.com/qq157049540/p/8711303.html
Copyright © 2011-2022 走看看