码迷,mamicode.com
首页 > 其他好文 > 详细

爬取校园新闻首页的新闻的详情,使用正则表达式,函数抽离

时间:2018-04-08 22:44:35      阅读:319      评论:0      收藏:0      [点我收藏+]

标签:ext   时间转换   beautiful   字符   datetime   pre   span   img   爬取   

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

2. 分析info字符串,获取每篇新闻的发布时间,作者,来源,摄影等信息。

3. 将字符串格式的发布时间转换成datetime类型

4. 使用正则表达式取得新闻编号

5. 生成点击次数的Request URL

6. 获取点击次数

7. 将456步骤定义成一个函数 def getClickCount(newsUrl):

8. 将获取新闻详情的代码定义成一个函数 def getNewDetail(newsUrl):

9. 尝试用使用正则表达式分析show info字符串,点击次数字符串。

# -*- coding : UTF-8 -*-
# -*- author : Kamchuen -*-+
import requests
from  bs4 import  BeautifulSoup
from datetime import datetime
import locale
import re
locale.setlocale(locale.LC_CTYPE,chinese)
newsurl = http://news.gzcc.cn/html/xiaoyuanxinwen/
res = requests.get(newsurl) #返回response
res.encoding = utf-8
soup = BeautifulSoup(res.text,html.parser)

def getClickCount(newsUrl):   #获取点击次数
    newsId = re.findall(\_(.*).html, newsUrl)[0].split(/)[1]   #使用正则表达式取得新闻编号
    clickUrl = http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80.format(newsId)
    clickStr = requests.get(clickUrl).text
    return(re.search("hits‘\).html\(‘(.*)‘\);",clickStr).group(1))

def getNewDetail(newsUrl):   #获取新闻详情
    resd = requests.get(newsUrl)  # 返回response
    resd.encoding = utf-8
    soupd = BeautifulSoup(resd.text, html.parser)
    print(标题: + title)
    print(描述: + description)
    print(链接: + newsUrl)
    info = soupd.select(.show-info)[0].text
    time = re.search(发布时间:(.*) \xa0\xa0 \xa0\xa0作者:, info).group(1)
    dtime = datetime.strptime(time, %Y-%m-%d %H:%M:%S)   #时间转换成datetime类型
    print(发布时间:{}.format(dtime))
    print(作者: + re.search(作者:(.*)审核:, info).group(1))
    print(审核: + re.search(审核:(.*)来源:, info).group(1))
    print(来源: + re.search(来源:(.*)摄影:, info).group(1))
    print(摄影: + re.search(摄影:(.*)点击, info).group(1))
    print(点击次数: + getClickCount(a))
    print(正文:+soupd.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
        description = news.select(.news-list-description)[0].text
        a = news.a.attrs[href]
        getNewDetail(a)
        break

截图:

技术分享图片

 

爬取校园新闻首页的新闻的详情,使用正则表达式,函数抽离

标签:ext   时间转换   beautiful   字符   datetime   pre   span   img   爬取   

原文地址:https://www.cnblogs.com/LauSir139/p/8747445.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!