码迷,mamicode.com
首页 > 其他好文 > 详细

用requests库和BeautifulSoup4库爬取新闻列表

时间:2017-09-28 14:06:58      阅读:116      评论:0      收藏:0      [点我收藏+]

标签:png   href   enc   port   beautiful   校园   contents   col   blog   

1.用requests库和BeautifulSoup4库,爬取校园新闻列表的时间、标题、链接、来源。

import requests   
from bs4 import BeautifulSoup 
url = requests.get("http://news.gzcc.cn/html/xiaoyuanxinwen/")
url.encoding = "utf-8"
soup = BeautifulSoup(url.text,html.parser)
#print(soup.head.title.text)
 
#找出含有特定标签的html元素:‘ID’前缀‘#’;‘class’前缀‘.’,其它直接soup.select(‘p‘)
for news in soup.select(li):
    if len(news.select(.news-list-title))>0:
        time = news.select(.news-list-info)[0].contents[0].text #时间
        title = news.select(.news-list-title)[0].text           #标题
        href = news.select(a)[0][href]                        #链接

        href_text = requests.get(href)                            #链接内容
        href_text.encoding = "utf-8"
        href_soup = BeautifulSoup(href_text.text,html.parser)
        href_text_body = href_soup.select(.show-content)[0].text
        print(time,title,href,href_text_body)

技术分享

2.选一个自己感兴趣的主题,做类似的操作,为“爬取网络数据并进行文本分析”做准备。

用requests库和BeautifulSoup4库爬取新闻列表

标签:png   href   enc   port   beautiful   校园   contents   col   blog   

原文地址:http://www.cnblogs.com/husiqi/p/7606167.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!