python从零开始写爬虫(4)-- 整合代码

把前面代码整合下,抽取出到方法里,一只新浪新闻爬虫需要代码如下:

import requests
from bs4 import BeautifulSoup
import re
import json

#获取新闻链接
def getNewsURLs(url):
    newsURL = []
    newurl = url
    res = requests.get(newurl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    for news in soup.select('.news-item'):
        if len(news.select('h2'))>0:
            newsURL.append(news.select('h2 a')[0]['href'])
    return newsURL

#获取新闻详细信息
def getNewsDetail(newsurl):
    result = {}
    res = requests.get(newsurl)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    m = re.search('doc-i(.*).shtml',newsurl)
    result['newsid'] = m.group(1)
    if len(soup.select('#artibodyTitle'))>0:
        result['title'] = soup.select('#artibodyTitle')[0].text
    else:
        result['title'] = ''
    if len(soup.select('#navtimeSource'))>0:
        result['newssource'] = soup.select('#navtimeSource')[0].contents[1].text.strip()
    else:
        result['newssource'] = ''
    if len(soup.select('#navtimeSource'))>0:
        result['dt'] = soup.select('#navtimeSource')[0].contents[0].strip()
    else:
        result['dt'] = ''
    if len(soup.select('#artibody p'))>0:
        result['article'] = ''.join(p.text.strip() for p in soup.select('#artibody p')[:-1])
    else:
        result['article'] = ''
    if len(soup.select('.article-editor'))>0:
        result['editor'] = soup.select('.article-editor')[0].text.lstrip('责任编辑:')
    else:
        result['editor'] = ''
    return result

#获取评论数
def getCommentCount(newsid):
    commentURL = "http://comment5.news.sina.com.cn/page/info?version=1&format=js&channel=gn&newsid=comos-{}&group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20"
    comments = requests.get(commentURL.format(newsid))
    jd = json.loads(comments.text.strip('var date='))
    return jd['result']['count']['total']



测试下:(因为获取的数据太多,我就直接获取newsurl[0]第一条数据做下测试){


补充下:import re出错的话,在cmd跑下:pip install re;

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

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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