获取全部校园新闻

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。

import requests
from bs4 import BeautifulSoup
from datetime import datetime
import re

# 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)
    # 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)
    # 识别时间格式
    date = re.search(‘(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})‘, info).group(1)
    # 识别一个至三个数据
    if(info.find(‘作者:‘)>0):
        author = re.search(‘作者:((.{2,4}\s|.{2,4}、){1,3})‘, info).group(1)
    if(info.find(‘审核:‘)>0):
        check = re.search(‘审核:((.{2,4}\s){1,3})‘, info).group(1)
    if(info.find(‘来源:‘)>0):
        sources = re.search(‘来源:(.*)\s*摄|点‘, 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)

def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = ‘utf-8‘
    soup = BeautifulSoup(res.text, ‘html.parser‘)

    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‘]

            print(‘标题:{0}\n内容:{1}\n链接:{2}‘.format(title, description, newsUrl))
            # 调用getNewsDetail()获取新闻详情
            getNewsDetail(newsUrl)
            break

listUrl = ‘http://news.gzcc.cn/html/xiaoyuanxinwen/‘
getListPage(listUrl)
res = requests.get(listUrl)
res.encoding = ‘utf-8‘
soup = BeautifulSoup(res.text, ‘html.parser‘)
listCount = int(soup.select(‘.a1‘)[0].text.rstrip(‘条‘))//10+1

for i in range(2,listCount):
    listUrl= ‘http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html‘.format(i)
    getListPage(listUrl)

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。

爬取网易科技频道IT专题:

代码:

import requests, re, jieba
from bs4 import BeautifulSoup
from datetime import datetime

# 获取新闻细节
def getNewsDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = ‘gb2312‘
    soupd = BeautifulSoup(resd.text, ‘html.parser‘)

    content = soupd.select(‘#endText‘)[0].text
    info = soupd.select(‘.post_time_source‘)[0].text
    date = re.search(‘(\d{4}.\d{2}.\d{2}\s\d{2}.\d{2}.\d{2})‘, info).group(1)  # 识别时间格式
    dateTime = datetime.strptime(date, ‘%Y-%m-%d %H:%M:%S‘)  # 用datetime将时间字符串转换为datetime类型
    sources = re.search(‘来源:\s*(.*)‘, info).group(1)
    keyWords = getKeyWords(content)
    print(‘发布时间:{0}\n来源:{1}‘.format(dateTime, sources))
    print(‘关键词:{}、{}、{}‘.format(keyWords[0], keyWords[1], keyWords[2]))
    print(content)

# 通过jieba分词,获取新闻关键词
def getKeyWords(content):
    content = ‘‘.join(re.findall(‘[\u4e00-\u9fa5]‘, content))  # 通过正则表达式选取中文字符数组,拼接为无标点字符内容
    wordSet = set(jieba._lcut(content))
    wordDict = {}
    for i in wordSet:
        wordDict[i] = content.count(i)
    deleteList, keyWords = [], []
    for i in wordDict.keys():
        if len(i) < 2:
            deleteList.append(i)  # 去掉单字无意义字符
    for i in deleteList:
        del wordDict[i]
    dictList = list(wordDict.items())
    dictList.sort(key=lambda item: item[1], reverse=True)  # 排序,返回前三关键字
    for i in range(3):
        keyWords.append(dictList[i][0])
    return keyWords

# 获取一页的新闻
def getListPage(listUrl):
    res = requests.get(listUrl)
    res.encoding = ‘gbk‘
    soup = BeautifulSoup(res.text, ‘html.parser‘)
    for new in soup.select(‘#news-flow-content‘)[0].select(‘li‘):
        newsUrl = new.select(‘a‘)[0][‘href‘]
        title = new.select(‘a‘)[0].text
        print(‘标题:{0}\n链接:{1}‘.format(title, newsUrl))
        getNewsDetail(newsUrl)  # 调用getNewsDetail()获取新闻详情
        break  # z只获取单个新闻,若要获取整页则去掉break

listUrl = ‘http://tech.163.com/it/‘
getListPage(listUrl)  # 获取首页新闻
for i in range(2, 20):  # 因为网易新闻频道只存取20页新闻,直接设置20
    listUrl = ‘http://tech.163.com/special/it_2016_%02d/‘ % i  # 填充新闻页,页面格式为两位数字字符
    getListPage(listUrl)

结果截图:

原文地址:https://www.cnblogs.com/171-LAN/p/8794424.html

时间: 2024-08-29 14:22:11

获取全部校园新闻的相关文章

获取全部校园新闻(GZCC大新闻流量刷新器)

import requests import re url = "http://news.gzcc.cn/html/xiaoyuanxinwen/" listnewurl = "http://news.gzcc.cn/html/xiaoyuanxinwen/index.html" res = requests.get(url) reslist = requests.get(listnewurl) res.encoding = 'utf-8' # 利用Beautifu

获取全部校园新闻(补)

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: import requests from bs4 import BeautifulSoup from datetime import datetime import re listPageUrl = "http://news.gzcc.cn/html/xiaoyuanxinwen/

爬取校园新闻

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 getNe

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

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 getNe

群策群力:传智“小马”齐过河——成都传智播客校园新闻

日前,传智播客成都Java培训中心就业班同学开展了一场趣味游戏--小马过河.游戏中,传智学员集思广益,互帮互助,大家的表现真是可圈可点. 班主任倪老师正在讲解游戏规则,小伙伴们快来围观呀. 游戏规定,所有队员分成两组扮演小马,从"河"的一边转移到对岸,整个过程只能有3只脚在河中-- 每组队员都有10余人,这可不只三只脚啊,那么,大家该怎么过河呢? 小马们开始聚在一起商讨对策,于是,学员们开始出招啦. 只见两匹马的3只脚出现在河中,其余的马踩着这三只脚过河-- 要过河了,好忐忑,你们要扶

20.ArrayList获取并打印新闻标题

package entity; public class NewTitle { private int id; //ID private String titleName; //名称 private String creater; //创建者 public NewTitle() { } public NewTitle(int id, String titleName, String creater) { this.id = id; this.titleName = titleName; this

python3爬虫 -----华东交大校园新闻爬取

如果爬取较多最好sleep一下,,,, 1 import requests 2 import requests.exceptions 3 import re 4 import json 5 6 #请求头,防止防爬虫的网页 7 headers={ 8 "user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Saf

获取一篇新闻的全部信息

给定一篇新闻的链接newsUrl,获取该新闻的全部信息 标题.作者.发布单位.审核.来源 发布时间:转换成datetime类型 点击: newsUrl newsId(使用正则表达式re) clickUrl(str.format(newsId)) requests.get(clickUrl) newClick(用字符串处理,或正则表达式) int() 整个过程包装成一个简单清晰的函数. 尝试去爬取一个你感兴趣的网页. 代码: import re import requests from bs4 i

爬取全部的校园新闻

题目: 1.从新闻url获取新闻详情: 字典,anews 2.从列表页的url获取新闻url:列表append(字典) alist 3.生成所页列表页的url并获取全部新闻 :列表extend(列表) allnews *每个同学爬学号尾数开始的10个列表页 4.设置合理的爬取间隔 import time import random time.sleep(random.random()*3) 5.用pandas做简单的数据处理并保存 保存到csv或excel文件 newsdf.to_csv(r'F