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 22:06:37      阅读:197      评论:0      收藏:0      [点我收藏+]

标签:.text   sel   ptime   bubuko   ref   int   htm   attrs   .gz   

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 new in soup.select(‘li‘):
    if len(new.select(‘.news-list-info‘))>0:
        s0 = new.select(‘.news-list-title‘)[0].text# 标题内容
        s1 = new.select(‘a‘)[0].attrs[‘href‘]  # 链接
        resd=requests.get(s1)
        resd.encoding = ‘utf-8‘
        soupd = BeautifulSoup(resd.text, ‘html.parser‘)
        s2 = soupd.select(‘#content‘)[0].text  #正文
        print(s1,s0,s2)

  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,摄影等信息。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
url=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res=requests.get(url)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,‘html.parser‘)
for new in soup.select(‘li‘):
    if len(new.select(‘.news-list-info‘))>0:
        s1 = new.select(‘a‘)[0].attrs[‘href‘]  # 链接
        resd=requests.get(s1)
        resd.encoding = ‘utf-8‘
        soupd = BeautifulSoup(resd.text, ‘html.parser‘)
        info=soupd.select(‘.show-info‘)[0].text
        dt=info.lstrip(‘发布时间:‘)[:19]#发布时间
        sh=info[info.find(‘作者:‘):].split()[0].lstrip(‘作者:‘) #作者
        sh1 = info[info.find(‘审核:‘):].split()[0].lstrip(‘审核:‘)  # 审核
        sh2 = info[info.find(‘来源:‘):].split()[0].lstrip(‘来源:‘)  # 来源
        print(‘发布时间:‘+dt+‘\t作者:‘+sh+‘\t审核:‘+sh1+‘\t来源:‘+sh2)

  技术分享图片

3. 将其中的发布时间由str转换成datetime类型。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
url=‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
res=requests.get(url)
res.encoding=‘utf-8‘
soup=BeautifulSoup(res.text,‘html.parser‘)
for new in soup.select(‘li‘):
    if len(new.select(‘.news-list-info‘))>0:
        s1 = new.select(‘a‘)[0].attrs[‘href‘]  # 链接
        resd=requests.get(s1)
        resd.encoding = ‘utf-8‘
        soupd = BeautifulSoup(resd.text, ‘html.parser‘)
        info=soupd.select(‘.show-info‘)[0].text
        dt=info.lstrip(‘发布时间:‘)[:19]#发布时间
        dati=datetime.strptime(dt,‘%Y-%m-%d %H:%M:%S‘)
        print(dati)

  技术分享图片

爬取校园新闻首页的新闻

标签:.text   sel   ptime   bubuko   ref   int   htm   attrs   .gz   

原文地址:https://www.cnblogs.com/04JC/p/8710841.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!