zoukankan      html  css  js  c++  java
  • 爬取全部的校园新闻

    作业要求来自:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2941

    1.从新闻url获取新闻详情: 字典,anews

    2.从列表页的url获取新闻url:列表append(字典) alist

    3.生成所页列表页的url并获取全部新闻 :列表extend(列表) allnews

    *每个同学爬学号尾数开始的10个列表页

    4.设置合理的爬取间隔

    源代码如下:

    import requests
    import re
    from bs4 import BeautifulSoup
    from datetime import datetime
    import pandas as pd
    import time
    import random
    
    #从新闻url获取新闻详情: 字典,anews
    def click(url):#获取点击次数
        id=re.findall('(d{1,5})',url)[-1]
        clickUrl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
        res=requests.get(clickUrl)
        newsClick=res.text.split('.html')[-1].lstrip("('").rstrip("');")
        return newsClick
    
    def newsdt(showinfo):#转换成datetime类型
        newsDate=showinfo.split()[0].split(':')[1]
        newsTime=showinfo.split()[1]
        newsDT=newsDate+' '+newsTime
        dt=datetime.strptime(newsDT,'%Y-%m-%d %H:%M:%S')
        return dt
    
    
    def new(url):#获取校园的点击次数,时间,标题
        newsDetail={}
        res=requests.get(url)
        res.encoding='utf-8'
        soup=BeautifulSoup(res.text,'html.parser')
        newsDetail['nenewsTitle']=soup.select('.show-title')[0].text
        showinfo=soup.select('.show-info')[0].text
        newsDetail['newsDT']=newsdt(showinfo)
        newsDetail['newsClick']=click(url)
        #newsDetail['newDesc']=soup.select('.news-list-description')[0].text
        return newsDetail
    
    
    #listUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/'
    
    #print(soup)
    def alist(url):#从列表页的url获取新闻url:列表append(字典) alist
        res=requests.get(listUrl)
        res.encoding='utf-8'
        soup = BeautifulSoup(res.text,'html.parser')
        newsList = []
        for news in soup.select('li'):
            if len(news.select('.news-list-title'))>0:
               newsUrl=news.select('a')[0]['href']#获取链接
               #print(newsUrl)
               newsDesc=news.select('.news-list-description')[0].text
               newsDict=new(newsUrl)
               newsDict['description']=newsDesc
               newsList.append(newsDict)
        return newsList
            #print(newsList)
            
            
    #alist(listUrl)
    
    i=int(soup.select('#pages')[0].text.split('..')[1].rstrip(' 下一页 '))#获取校园新闻的页数,去除多余的东西
    
    allnews=[]
    for i in range(96,106):#获取96~106页数的校园新闻的各项信息,生成所页列表页的url并获取全部新闻 :列表extend(列表) allnews
        listUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
        allnews.extend(alist(listUrl))    
        
        for i in range(5):#设置合理的爬取间隔
            time.sleep(random.random()*3)
            
    newsdf = pd.DataFrame(allnews)#转化为二维的表格型数据结构
    newsdf

    运行结果如下图所示:

    5.用pandas做简单的数据处理并保存

    保存到csv或excel文件 

    import sqlite3
    newsdf.to_csv(r'F:gzccnews.csv')

    运行结果:

    成功保存到了F盘中的gzccnews5.csv中

    保存到数据库

    import sqlite3
    with sqlite3.connect('gzccnewsdb5.sqlite') as db:
        newsdf.to_sql('gzccnewsdb5',db)
    with sqlite3.connect('gzccnewsdb5.sqlite') as db:
        df2=pd.read_sql_query('SELECT * FROM gzccnewsdb5',con=db)
        df2[df2['newsClick']>300]

     运行结果:

  • 相关阅读:
    如何在Oracle官网下载java的JDK最新版本和历史版本
    屏幕录制专家【Bandicam】
    Bandicam下载 + 破解
    华为荣耀7i手动更改DNS,提高网页加载速度
    SQL中使用GROUP BY注意事项
    JavaScript数据类型判断
    React.lazy和Suspense组合实现组件懒加载
    使用React+TypeScript构建自己的组件库
    leetcode-0101 对称二叉树
    leetcode-0543 二叉树的直径
  • 原文地址:https://www.cnblogs.com/zyd1234/p/10672176.html
Copyright © 2011-2022 走看看