码迷,mamicode.com
首页 > 其他好文 > 详细

获取全部校园新闻(补)

时间:2018-06-06 23:58:01      阅读:291      评论:0      收藏:0      [点我收藏+]

标签:mat   列表   datetime   mes   mooc   title   import   ptime   class   

1.取出一个新闻列表页的全部新闻 包装成函数。

2.获取总的新闻篇数,算出新闻总页数。

3.获取全部新闻列表页的全部新闻详情。

4.找一个自己感兴趣的主题,进行数据爬取,并进行分词分析。不能与其它同学雷同。

 

1-3:

技术分享图片
import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re
listPageUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/"
page = 1
headers = {‘User-Agent‘: ‘User-Agent:Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 ‘
                         ‘(KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36‘}
# 获取新闻点击次数
def getNewsId(url):
    newsId = re.findall(r‘\_(.*).html‘, url)[0][-4:]
    clickUrl = ‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(newsId)
    clickRes = requests.get(clickUrl,headers)
    # 利用正则表达式获取新闻点击次数
    clickCount = int(re.search("hits‘\).html\(‘(.*)‘\);", clickRes.text).group(1))
    return clickCount
# 读取新闻细节
def getNewDetail(detail,title,description):
    resDescript = requests.get(detail,headers)
    resDescript.encoding = "utf-8"
    soupDescript = BeautifulSoup(resDescript.text, ‘html.parser‘)

    content = soupDescript.select(".show-content")[0].text  # 正文
    info = soupDescript.select(".show-info")[0].text  # info相关内容
    # 第一种方法 分离 message = info.split()
    # 第二种方法 用正则表达式
    print(‘标题‘ + ‘: ‘ + title)
    print(‘概要‘ + ‘: ‘ + description)
    print(‘链接‘ + ‘: ‘ + detail)
    print(‘正文‘ + ‘ :‘ + content)
    if(re.search("发布时间:(.*) \xa0\xa0 \xa0\xa0作者:", info) !="Null" ):
        time = re.search("发布时间:(.*) \xa0\xa0 \xa0\xa0作者:", info).group(1)
    if (re.search("作者:(.*)\xa0\xa0审核:", info) !="Null"):
        author = re.search("作者:(.*)\xa0\xa0审核:", info).group(1)
        print("作者:" + author)
    if (re.search("审核:(.*)\xa0\xa0来源:", info) !="Null"):
        right = re.search("审核:(.*)\xa0\xa0来源:", info).group(1)
    if (re.search(‘来源:(.*)\xa0\xa0\xa0\xa0摄影:‘, info) != "null"):
        resource = re.search(‘来源:(.*)\xa0\xa0\xa0\xa0摄影:‘, info)
    if (re.search("摄影:(.*)\xa0\xa0\xa0\xa0点击:", info)!="Null"):
        video = re.search("摄影:(.*)\xa0\xa0\xa0\xa0点击:", info)
    count = getNewsId(detail)
    dateTime = datetime.strptime(time, ‘%Y-%m-%d %H:%M:%S‘)




#获取新闻
def getListPage(listPageUrl,n):
    resListPage = requests.get(listPageUrl,headers)
    resListPage.encoding = "utf-8"
    soup = BeautifulSoup(resListPage.text, ‘html.parser‘)
    PageUrl = listPageUrl + str(1) + ".html"
    if(n == 0):
       global page
       page=int(soup.select(".a1")[0].text[:-1])
       print(page)
    for s in soup.select("li"):
      if len(s.select(".news-list-title"))>0:
        title = s.select(".news-list-title")[0].text #新闻标题
        description = s.select(".news-list-description")[0].text #新闻描述
        detail = s.a.attrs["href"] #观看新闻细节
        getNewDetail(detail,title,description)

getListPage(listPageUrl,0)
print(page)
for n in range(1,page):
    PageUrl = listPageUrl + str(n) + ".html"
    getListPage(PageUrl,n)
# for n in range(1,soup.select(".a1")[0].text[:-1]):
 #       PageUrl = listPageUrl+str(n)+"html";      getListPage(PageUrl)
    ‘‘‘
   ‘‘‘
技术分享图片

 4(爬慕课网):

 

技术分享图片
import requests,jieba
from bs4 import BeautifulSoup
import re
#网站 慕课网
url = "https://www.imooc.com/course/list"
resDescript = requests.get(url)
resDescript.encoding = "utf-8"
soupDescript = BeautifulSoup(resDescript.text, ‘html.parser‘)
#全局变量
n =1
m =1
notelist = ""
#错误词汇
delete_word={‘使‘,‘D‘,‘b‘,‘e‘,‘f‘,‘t‘,‘C‘,‘的‘,‘o‘,‘,‘,‘a‘,‘A‘,‘n‘,‘S‘,‘y‘,‘i‘,‘了‘,‘。‘}
#分析数据的方向、类型、类别
for s in soupDescript.select(".course-nav-item.on"):
        if n == 1 : print("方向:" + s.text)
        elif n ==2:print("类型:" + s.text)
        elif n ==3:print("类别:"+s.text)
        n = n+1
#分析数据的受欢迎类型、难度
for q in soupDescript.select(".sort-item.active"):
     if m == 1 : print("受欢迎类型:"+q.text)
     else: print("难度:"+q.text)
     m=m+1

#挖掘课程的相关信息
for content in soupDescript.select(".course-card-container"):
    img = content.select(".course-banner.lazy")[0].attrs["src"][2:]
    name = content.select(".course-card-name")[0].text
    desc = content.select(".course-card-desc")[0].text
    notelist += desc
    notelist+=name
    print("图片链接:"+img)
    print("课程名字:"+name)
    print("简介:"+desc)
    print("\n")

NoteDic={}
for i in set(notelist):    #计算次数
    NoteDic[i]=notelist.count(i)


for i in delete_word:        #删除非法词汇
    if i in NoteDic:
        del NoteDic[i]
#进行排序
sort_word = sorted(NoteDic.items(), key = lambda d:d[1], reverse = True)  # 由大到小排序
#输出效果
print(sort_word)
技术分享图片

 

技术分享图片

 

获取全部校园新闻(补)

标签:mat   列表   datetime   mes   mooc   title   import   ptime   class   

原文地址:https://www.cnblogs.com/huangzemian123/p/9147852.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!