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:2018-04-04 23:14:11      阅读:180      评论:0      收藏:0      [点我收藏+]

标签:attrs   排除   list   tail   request   python   blog   tle   运行   

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

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:  #排除为空的li
        time = news.select(".news-list-info")[0].contents[0].text
        title = news.select(".news-list-title")[0].text
        description = news.select(".news-list-description")[0].text
        a = news.select(‘a‘)[0].attrs[‘href‘]
        detail_res = requests.get(a)
        detail_res.encoding = "utf-8"
        detail_soup = BeautifulSoup(detail_res.text, "html.parser")
        print(detail_soup.select("#content")[0].text)#正文
        print(time, title, description, a)
        content = detail_soup.select("#content")[0].text
        info = detail_soup.select(".show-info")[0].text
        date_time = info.lstrip(‘发布时间:‘)[:19]
        print(info)
        break

  

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。

info = ‘发布时间:2018-04-01 11:57:00      作者:陈流芳  审核:权麟春  来源:马克思主义学院      点击:次‘
detail_time = info.lstrip(‘发布时间:‘)[:19]
sh = info[info.find("审核"):].split()[0].lstrip(‘审核:‘)
print(detail_time,sh)

  

3. 将其中的发布时间由str转换成datetime类型。

# 获取当前的时间
now_time = datetime.now();
now_time.year
# 将字符串转化为时间
print(datetime.strptime(date_time,"%Y-%m-%d %H:%M:%S"))
# 将时间转化为字符串
print(now_time.strftime(‘%Y\%m\%d‘))

  

4. 将完整的代码及运行结果截图发布在作业上。

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 news in soup.select("li"):
    if len(news.select(".news-list-title"))>0:  #排除为空的li
        time = news.select(".news-list-info")[0].contents[0].text
        title = news.select(".news-list-title")[0].text
        description = news.select(".news-list-description")[0].text
        a = news.select(‘a‘)[0].attrs[‘href‘]
        detail_res = requests.get(a)
        detail_res.encoding = "utf-8"
        detail_soup = BeautifulSoup(detail_res.text, "html.parser")
        print(detail_soup.select("#content")[0].text)#正文
 
        print(time, title, description, a)
 
        content = detail_soup.select("#content")[0].text
        info = detail_soup.select(".show-info")[0].text
        date_time = info.lstrip(‘发布时间:‘)[:19]
        print(info)
        break
 
info = ‘发布时间:2018-04-01 11:57:00      作者:陈流芳  审核:权麟春  来源:马克思主义学院      点击:次‘
detail_time = info.lstrip(‘发布时间:‘)[:19]
sh = info[info.find("审核"):].split()[0].lstrip(‘审核:‘)
print(detail_time,sh)
 
 
# # 多个名字查找作者
info1 = ‘发布时间:2018-04-01 11:57:00      作者:陈流芳  审核:权麟春   来源:马克思主义学院    点击:次 ‘
info1 = info1[info1.find("作者"):info1.find(‘审核:‘)].lstrip(‘作者:‘).split()[1]
print(info1)
 
# 获取当前的时间
now_time = datetime.now();
now_time.year
 
# 将字符串转化为时间
print(datetime.strptime(date_time,"%Y-%m-%d %H:%M:%S"))
 
# 将时间转化为字符串
print(now_time.strftime(‘%Y\%m\%d‘))

  

爬取校园新闻首页的新闻

标签:attrs   排除   list   tail   request   python   blog   tle   运行   

原文地址:https://www.cnblogs.com/jiesheng/p/8719340.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!