爬取全部校园新闻

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
  • 获取新闻发布时间及类型转换也整理成函数

代码展示:

#获取新闻详情
def annews(url):
    news={}
    res=requests.get(url)
    res.encoding='utf-8'
    soup=bs4.BeautifulSoup(res.text,'html.parser')
    news['title']=soup.select(".show-title")[0].text
    news['date']=getTime(soup.select(".show-info")[0])
    news['content']=soup.select("#content")[0].text.strip()
    news['count']=getCount(url)
    return news
    
#获取点击数
def getCount(url):
    newsId = re.search('/(\d+).html', url).groups(0)[0]
    countHtml=requests.get("http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newsId))
    count=int(re.findall("\d+",countHtml.text.split(".html")[-1])[0])
    return count
    
#获取时间
def getTime(str):
    infos=str.text.split()
    datestr=infos[0]+' '+infos[1]
    return datetime.strptime(datestr,'发布时间:%Y-%m-%d %H:%M:%S')
    
#获取指定新闻页范围的url
def getNsUrl(url,start,end):
    urls=[]
    for i in range(start,end):
        urls.append("{}/{}.html".format(url,i))
    return urls

#获取新闻页的新闻url
def getNewsUrl(url):
    newsUrlList=[]
    res=requests.get(url)
    res.encoding='utf-8'
    soup=bs4.BeautifulSoup(res.text,'html.parser')
    alist=soup.select(".news-list a")
    for i in alist:
        newsUrlList.append(i['href'])
    return newsUrlList


urls=getNsUrl('http://news.gzcc.cn/html/xiaoyuanxinwen',66,76)
newsList=[]
for page in urls:
    for url in getNewsUrl(page):
        time.sleep(1)
        newsList.append(annews(url))
df=pd.DataFrame(newsList)
df.to_csv("news.csv",encoding='utf-8')

 

运行截图:

 

 

转载于:https://www.cnblogs.com/GMUK/p/10713523.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值