爬取全部的校园新闻

本次作业的要求来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3002

0.从新闻url获取点击次数，并整理成函数

• newsUrl
• newsId(re.search())
• clickUrl(str.format())
• requests.get(clickUrl)
• re.search()/.split()
• str.lstrip(),str.rstrip()
• int
• 整理成函数
• 运行代码：

import requests

def click(url):
    id=re.findall('(d{1,5})',url)[-1]
    clickUrl="http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(id)
    resClick=requests.get(clickUrl)
    newsClick=int(resClick.text.split('.html')[-1].lstrip("('").rstrip("');"))
    return newsClick

• 运行截图：

 

• 获取新闻发布时间及类型转换也整理成函数

• 运行代码：

from datetime import datetime

def newsdt(showinfo):
    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

1.从新闻url获取新闻详情： 字典,anews

• 运行代码：

def anews(url):
    newsDetail={}
    res=requests.get(url)
    res.encoding='utf-8'
    soup=BeautifulSoup(res.text,'html.parser')
    newsDetail['newstitle']=soup.select('.show-title')[0].text
    showinfo = soup.select('.show-info')[0].text
    newsDetail['newsDt'] = newsdt(showinfo)
    newsDetail['newsClick'] =click(url)
    return newsDetail

• 运行截图：

2.从列表页的url获取新闻url：列表append(字典) alist

• 运行代码：

def alist(url):
    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']
            newsDesc=news.select('.news-list-description')[0].text
            newsDict=anews(newsUrl)
            newsDict['newsUrl']=newsUrl
            newsDict['description'] = newsDesc
            newsList.append(newsDict)
    return newsList

• 运行截图：

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）

• 运行代码：

listUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
    allnews = alist(listUrl)
    for i in range(21, 30):
        listUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html".format(i)
        allnews.extend(alist(listUrl))

• 运行截图：

4.设置合理的爬取间隔

import time

import random

time.sleep(random.random()*3)

• 运行代码：

import time
import random
    for i in range(1, 5):
        time.sleep(random.random() * 3)  # 休眠随机数的3倍时间
    print(allnews)

5.用pandas做简单的数据处理并保存

保存到csv或excel文件 

newsdf.to_csv(r'F:duym爬虫gzccnews.csv')

• 运行代码：

import pandas
newsdf=pd.DataFrame(allnews)
    newsdf.to_csv(r'F:zyx
ews.csv')

• 运行截图：