用requests库和BeautifulSoup4库爬取新闻列表

标签：coding   parse   new   sele   操作   port   pre   爬取   soup   

• 用requests库和BeautifulSoup4库，爬取校园新闻列表的时间、标题、链接、来源、详细内容。
• 将其中的时间str转换成datetime类型。
• 将取得详细内容的代码包装成函数。

  import requests
  from bs4 import BeautifulSoup
  from datetime import datetime
  news=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
  res=requests.get(news)
  res.encoding=‘utf-8‘
  soup=BeautifulSoup(res.text,‘html.parser‘)
  
  def getdetail(url):
      resd=requests.get(url)
      resd.encoding=‘utf-8‘
      soup=BeautifulSoup(resd.text,‘html.parser‘)
      return(soup.select(‘.show-content‘)[0].text)
  for news in soup.select (‘li‘):
      if len(news.select(‘.news-list-title‘))>0:
          title=news.select(‘.news-list-title‘)[0].text #标题
          url=news.select(‘a‘)[0][‘href‘] #链接
          time=(news.select(‘.news-list-info‘)[0].contents[0].text) #时间
          dt=datetime.strptime(time,‘%Y-%m-%d‘)
          where=(news.select(‘.news-list-info‘)[0].contents[1].text) #来源
          resd=requests.get(url)
          resd.encoding=‘utf-8‘
          soup=BeautifulSoup(resd.text,‘html.parser‘)
          detail=getdetail(url) #详情
          print(dt,title,url,where,detail)
          
          

  

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

  import requests
  from bs4 import BeautifulSoup
  news=‘http://www.gdrsks.gov.cn/‘
  res=requests.get(news)
  res.encoding=‘utf-8‘
  soup=BeautifulSoup(res.text,‘html.parser‘)
  for news in soup.select (‘li‘):
      if len(news.select(‘.node‘))>0:
          t=news.select(‘.node‘)[0].text
          k=news.select(‘.title‘)[0].text
          url=news.select(‘a‘)[0][‘href‘] #链接
          print(t,k,url)

  

用requests库和BeautifulSoup4库爬取新闻列表

标签：coding   parse   new   sele   操作   port   pre   爬取   soup   

原文地址：http://www.cnblogs.com/lcm1995/p/7607061.html