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:
            print(news.select('.news-list-title'))
            t=news.select('.news-list-title')[0].text
            dt=news.select('.news-list-info')[0].contents[0].text
            a=news.select('a')[0].attrs['href']
            print(dt,t,a)

    2. 分析字符串,获取每篇新闻的发布时间,作者,来源,摄影等信息。

    import requests
    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')
    for news in soup.select('li'):
        if len(news.select('.news-list-title'))>0:
            t = news.select('.news-list-title')[0].text
            dt = news.select('.news-list-info')[0].contents[0].text
            a = news.select('a')[0].attrs['href']
            print(dt,t,a)#爬取校园新闻首页新闻的标题、链接
            res2 = requests.get(a)
            res2.encoding = 'utf-8'
            soup2 = BeautifulSoup(res2.text, 'html.parser')
            te = soup2.select('#content')[0].text
            print(te)#爬取校园新闻首页新闻的正文
    
            ifd = soup2.select('.show-info')[0].text
            dt2 = ifd.lstrip('发布时间:')[:19]
            print(dt2)#获取每篇新闻的发布时间
    
            i = ifd.find('作者:')
            if i>0:
                s = ifd[ifd.find('作者:'):].split()[0].lstrip('作者:')
                print(s)#获取每篇新闻的作者。
    
            q = ifd.find('来源:')
            if q > 0:
                b = ifd[ifd.find('来源:'):].split()[0].lstrip('来源:')
                print(b)#获取每篇新闻的来源。
    
            c = ifd.find('摄影:')
            if c > 0:
                n = ifd[ifd.find('摄影:'):].split()[0].lstrip('摄影:')
                print(n)#获取每篇新闻的摄影。
    
            dtn = datetime.strptime(dt2,'%Y-%m-%d %H:%M:%S')#将其中的发布时间由str转换成datetime类型。
            print(dtn)
            break

    3. 将其中的发布时间由str转换成datetime类型。

    import requests
    from bs4 import BeautifulSoup
    from datetime import datetime
    
    gzccurl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'
    res = requests.get(gzccurl)
    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']#链接
            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#来源
            print(dt,'
    ',title,'
    ',url,'
    ',source,'
    ')
  • 相关阅读:
    Aster寻路算法1(转)
    谈谈项目纵向项目验收
    要有兴趣
    用c# 操作 文件的方法
    使用ACT进行测试
    Generated servlet error: keyword cannot be resolved or is not a type
    米尔顿艾瑞克森的催眠引导词
    c# webcliend 来制作 网页搜捕器
    网页木马的解决方案
    用Swing实现数据表格功能
  • 原文地址:https://www.cnblogs.com/wollen-zwt/p/8691655.html
Copyright © 2011-2022 走看看