用requests库和BeautifulSoup4库爬取新闻列表

标签：col   主题   select   转换   class   .gz   .text   准备   网络数   

• 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。

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

  from datetime import datetime
  import requests
  from bs4 import BeautifulSoup
  html=‘http://mil.qq.com/mil_index.htm‘
  res = requests.get(html)
  res.encoding=‘gb2312‘
  soup = BeautifulSoup(res.text,‘html.parser‘)
  for news in soup.select(‘.Q-tpList‘):
          if len(news.select(‘.Q-tpWrap‘))>0:
           htm = news.select(‘a‘)[0][‘href‘]
           print (news.select(‘a‘)[0][‘href‘])
           print (news.select(‘.linkto‘)[0].text)
           print (news.select(‘.from‘)[0].text)
           print (news.select(‘.discuzBtn‘)[0].text)

   

用requests库和BeautifulSoup4库爬取新闻列表

标签：col   主题   select   转换   class   .gz   .text   准备   网络数   

原文地址：http://www.cnblogs.com/wlh353/p/7609207.html