获取一篇新闻的全部信息

给定一篇新闻的链接newsUrl，获取该新闻的全部信息

标题、作者、发布单位、审核、来源

发布时间:转换成datetime类型

点击：

• newsUrl
• newsId(使用正则表达式re)
• clickUrl(str.format(newsId))
• requests.get(clickUrl)
• newClick(用字符串处理，或正则表达式)
• int()

整个过程包装成一个简单清晰的函数。

 

给定一篇新闻的链接newsUrl，获取该新闻的全部信息

标题、作者、发布单位、审核、来源

发布时间:转换成datetime类型

点击：

• newsUrl
• newsId(使用正则表达式re)
• clickUrl(str.format(newsId))
• requests.get(clickUrl)
• newClick(用字符串处理，或正则表达式)
• int()

整个过程包装成一个简单清晰的函数。

import re
import requests
from bs4 import BeautifulSoup
from datetime import datetime

# 点击次数
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

# 获取时间
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

# 新闻信息
def news(url):
    res = requests.get(url)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text,'html.parser')
    newsTitle = soup.select('.show-title')[0].text #通过类名查找标题
    author = soup.select('.show-info')[0].text.split()[2] #查找作者
    auditor = soup.select('.show-info')[0].text.split()[3] #查找审核
    source = soup.select('.show-info')[0].text.split()[4] #查找来源
    showinfo = soup.select('.show-info')[0].text
    newsDT = newsdt(showinfo) #时间
    newsClick = click(url) #点击次数
detail=soup.select('.show-content ')[0].text #获取新闻的具体内容
    news = print(newsTitle,newsDT,author,auditor,source,newsClick，detail)
    return news

url='http://news.gzcc.cn/html/2019/xibusudi_0328/11088.html'
news(url)

 

尝试去爬取一个你感兴趣的网页。

 

转载于:https://www.cnblogs.com/l-sh/p/10650847.html