码迷,mamicode.com
首页 > 其他好文 > 详细

爬取校园新闻首页的新闻

时间:2018-04-03 21:57:40      阅读:133      评论:0      收藏:0      [点我收藏+]

标签:log   完整   contents   odi   如图所示   gpo   list   image   news   

1. 用requests库和BeautifulSoup库,爬取校园新闻首页新闻的标题、链接、正文。

import requests
from bs4 import BeautifulSoup
url = ‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res = requests.get(url)
res.encoding = ‘utf-8‘
soup = BeautifulSoup(res.text, ‘html.parser‘)

for news in soup.select(‘li‘):
    if len(news.select(‘.news-list-title‘))>0:
        d = news.select(‘.news-list-info‘)[0].contents[0].text  #时间
        t = news.select(‘.news-list-title‘)[0].text  #标题
        a = news.select(‘a‘)[0].attrs[‘href‘]   #连接
        print(d, t, a)      
        # 通过连接获取新闻网页
        res2 = requests.get(a)
        res2.encoding = ‘utf-8‘
        soup2 = BeautifulSoup(res2.text, ‘html.parser‘)
        # 取得新闻正文
        z=soup2.select(‘#content‘)[0].text
        print(z)
        break

  运行结果如图所示:

技术分享图片

 

 

2. 分析字符串,获取每篇新闻的发布时间,作者,来源等信息。

 #取得发布时间、作者等数据项
        info=soup2.select(‘.show-info‘)[0].text
        # print(info)
        dt = info.lstrip(‘发布时间:‘)[:19]
        at = info[info.find(‘作者:‘):].split()[0].lstrip(‘作者:‘)
        sh = info[info.find(‘审核:‘):].split()[0].lstrip(‘审核:‘)
        ly = info[info.find(‘来源:‘):].split()[0].lstrip(‘来源:‘)
        print(dt, at, sh, ly)

  运行结果如下:

技术分享图片

 

 

3. 将其中的发布时间由str转换成datetime类型。

from datetime import datetime
        dati = datetime.strptime(dt, ‘%Y-%m-%d %H:%M:%S‘)
        print(dati, dati.strftime(‘%Y/%m/%d‘))

  运行结果如图所示:

技术分享图片

 

 

4. 将完整的代码及运行结果截图发布在作业上

 

# -*- coding: UTF-8 -*-
# -*- author: wang -*-

import requests
from bs4 import BeautifulSoup
url = ‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res = requests.get(url)
res.encoding = ‘utf-8‘
soup = BeautifulSoup(res.text, ‘html.parser‘)

for news in soup.select(‘li‘):
    if len(news.select(‘.news-list-title‘))>0:                        #时间
        d = news.select(‘.news-list-info‘)[0].contents[0].text
        t = news.select(‘.news-list-title‘)[0].text                   #标题
        a = news.select(‘a‘)[0].attrs[‘href‘]                           #连接
        print(d, t, a)
        # 通过连接获取新闻网页
        res2 = requests.get(a)
        res2.encoding = ‘utf-8‘
        soup2 = BeautifulSoup(res2.text, ‘html.parser‘)
        # 取得新闻正文
        z=soup2.select(‘#content‘)[0].text
        print(z)
        #取得发布时间、作者等数据项
        info=soup2.select(‘.show-info‘)[0].text
        print(info)
        dt = info.lstrip(‘发布时间:‘)[:19]
        at = info[info.find(‘作者:‘):info.find(‘审核:‘)].split()[0].lstrip(‘作者:‘)
        sh = info[info.find(‘审核:‘):].split()[0].lstrip(‘审核:‘)
        ly = info[info.find(‘来源:‘):].split()[0].lstrip(‘来源:‘)
        print(dt,at,sh,ly)
        from datetime import datetime
        dati = datetime.strptime(dt, ‘%Y-%m-%d %H:%M:%S‘)
        # print(type(dati))
        print(dati, dati.strftime(‘%Y/%m/%d‘))
        break

  

 

运行代码如图所示:

技术分享图片

技术分享图片

 

爬取校园新闻首页的新闻

标签:log   完整   contents   odi   如图所示   gpo   list   image   news   

原文地址:https://www.cnblogs.com/zhiling123/p/8710850.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!