爬取全部的校园新闻

作业来源: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
  • 获取新闻发布时间及类型转换也整理成函数

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

import time

import random

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

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')

代码:

 1 import requests
 2 from bs4 import BeautifulSoup
 3 from datetime import datetime
 4 import re
 5 import sqlite3
 6 import pandas as pd
 7 import time
 8 import pandas
 9 import random
10  
11 #获取点击数
12 def click(url):
13     id=re.findall('\d[1,5]',url)[-1]
14     clickUrl='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(id)
15     resClick=requests.get(clickUrl)
16     newsClick=int(resClick.text.split('.html')[-1].lstrip("('").rstrip("');"))
17     return newsClick#获取新闻时间
18 def newsdt(showinfo):
19     newsDate=showinfo.split()[0].split(':')[1]
20     newsTime=showinfo.split()[1]
21     newsDT=newsDate+' '+newsTime
22     dt=datetime.strptime(newsDT,'%Y-%m-%d %H:%M:%S')
23     return dt
24 #获取新闻信息
25 def anews(url):
26     newsDetail={}
27     res=requests.get(url)
28     res.encoding='utf-8'
29     soup=BeautifulSoup(res.text,'html.parser')
30     newsDetail['newsTitle']=soup.select('.show-title')[0].text
31     showinfo=soup.select('.show-info')[0].text
32     newsDetail['newsDT']=newsdt(showinfo)
33     newsDetail['newsClick']=click(url)
34     return newsDetail
35  
36 def alist(url):
37     res=requests.get(listUrl)
38     res.encoding='utf-8'
39     soup=BeautifulSoup(res.text,'html.parser')
40     newsList=[]
41     for news in soup.select('li'):
42         if len(news.select('.news-list-title'))>0:
43             newsUrl=news.select('a')[0]['href']
44             newsDest=news.select('.news-list-description')[0].text
45             newsDict=anews(newsUrl)
46             newsDict['description']=newsDest
47             newsList.append(newsDict)
48     return newsList
49  
50  
51 #url= 'http://news.gzcc.cn/html/2019/xiaoyuanxinwen_0404/11155.html'
52 #anews(url)
53  
54 url = 'http://news.gzcc.cn/html/xiaoyuanxinwen'
55 res=requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen')
56 res.encoding='utf-8'
57 soup=BeautifulSoup(res.text,'html.parser')
58 for news in soup.select('li'):
59     if len(news.select('.news-list-title'))>0:
60         newsUrl=news.select('a')[0]['href']
61         
62 allnews = []#获取新闻第2-第12页的所有新闻
63 for i in range(2,12):
64     listUrl='http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
65     allnews.extend(alist(listUrl))   
66 pd.Series(allnews)#保存文件
67 newsdf=pd.DataFrame(allnews)
68 newsdf.sort_index(by=['newsClick'],ascending=False)
69 newsdf.to_csv(r'F:\hh\bb.csv')#输出点击数大于385的新闻
70 with sqlite3.connect('gzccnewsdb.sqlite')as db:
71     df2=pandas.read_sql_query('SELECT * FROM gzccnewsdb',con=db)
72 df2[df2['newsClick']>385]


运行结果:

 

转载于:https://www.cnblogs.com/Tily/p/10711286.html

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