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。
import requests from bs4 import BeautifulSoup from datetime import datetime import re res = requests.get(‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘) res.encoding = ‘utf-8‘ soup = BeautifulSoup(res.text, ‘html.parser‘) # 获取新闻点击次数 def getNewsId(url): newsId = re.findall(r‘\_(.*).html‘, newsUrl)[0][-4:] clickUrl = ‘http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80‘.format(newsId) clickRes = requests.get(clickUrl) # 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 # 获取新闻细节 def getNewsDetail(newsUrl): resd = requests.get(newsUrl) resd.encoding = ‘utf-8‘ soupd = BeautifulSoup(resd.text, ‘html.parser‘) content = soupd.select(‘#content‘)[0].text info = soupd.select(‘.show-info‘)[0].text # 调用getNewsId()获取点击次数 count = getNewsId(newsUrl) date = re.match(‘发布时间:(.*) 作者:‘, info).group(1) author = re.search(‘作者:(.*) 审核:‘, info).group(1) check = re.search(‘审核:(.*) 来源:‘, info).group(1) sources = re.search(‘来源:(.*) 摄影:‘, info).group(1) # 用datetime将时间字符串转换为datetime类型 dateTime = datetime.strptime(date, ‘%Y-%m-%d %H:%M:%S‘) # 利用format对字符串进行操作 print(‘发布时间:{0}\n作者:{1}\n审核:{2}\n来源:{3}\n点击次数:{4}‘.format(dateTime, author, check, sources, count)) print(content) for new in soup.select(‘li‘): if len(new.select(‘.news-list-title‘)) > 0: title = new.select(‘.news-list-title‘)[0].text description = new.select(‘.news-list-description‘)[0].text newsUrl = new.select(‘a‘)[0][‘href‘] # 调用getNewsDetail()获取新闻详情 getNewsDetail(newsUrl) print(‘标题:{0}\n内容:{1}\n链接:{2}‘.format(title, description, newsUrl)) break
结果:
原文地址:https://www.cnblogs.com/171-LAN/p/8719282.html
时间: 2024-10-11 00:01:47