当前位置：首页 > news >正文

使用正则表达式，取得点击次数，函数抽离

news 来源：原创 2024/4/28 4:14:43

1. 用正则表达式判定邮箱是否输入正确。

import re
r = '^(\w)+(\.\w+)*@(\w)+((\.\w{2,3}){1,3})$'
e = '1234567@qq.com'
if re.match(r,e):
    print('success')
else:
    print('please input ...')

2. 用正则表达式识别出全部电话号码。

import re
text='版权所有：广州商学院   地址：广州市黄埔区九龙大道206号学校办公室：020-82876130   招生电话：020-82872773 粤公网安备 44011602000060号    粤ICP备15103669号'
tele=re.findall('(\d{3,4})-(\d{6,8})',text)
print(tele)

3. 用正则表达式进行英文分词。re.split('',news)

import re
news=''' Then a steep, narrow staircase took us up inside the pagoda and the light changed dramatically. 
  All those windows let in a flood of sunshine and we could see out for miles across the flat land.
'''
new = re.split("[\s,.;'!?]+", news)
print(new)

4. 使用正则表达式取得新闻编号。

import re
a='http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html'
num=re.match('http://news.gzcc.cn/html/2018/xiaoyuanxinwen_(.*).html',a).group(1).split("/")[-1]
print(num)

5. 生成点击次数的Request URL。

import re
a='http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html'
num=re.match('http://news.gzcc.cn/html/2018/xiaoyuanxinwen_(.*).html',a).group(1).split("/")[-1]
url='http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(num)
print(url)

6. 获取点击次数。

import re
import requests
a='http://news.gzcc.cn/html/2018/xiaoyuanxinwen_0404/9183.html'
newId = re.search('\_(.*).html',a).group(1).split('/')[1]
clickUrl = "http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
print(requests.get(clickUrl).text.split('.html')[-1].lstrip("('").rstrip("');"))

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)。

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

def getClickCount(newsUrl):
    newId = re.search('\_(.*).html',newsUrl).group(1).split('/')[1]
    clickUrl = "http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)
    print("点击次数:"+requests.get(clickUrl).text.split('.html')[-1].lstrip("('").rstrip("');"))

def getNewDetail(newsUrl):
    resd = requests.get(newsUrl)
    resd.encoding = 'utf-8'
    soupd = BeautifulSoup(resd.text, 'html.parser')
    print(t)
    print(newsUrl)
    info = soupd.select('.show-info')[0].text
    d = re.search('发布时间:(.*) \xa0\xa0 \xa0\xa0作者：', info).group(1)
    dt = datetime.strptime(d, '%Y-%m-%d %H:%M:%S')
    print('发布时间：{}'.format(dt))
    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('正文：'+soupd.select('.show-content')[0].text)

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:
        t=news.select('.news-list-title')[0].text
        a = news.select('a')[0].attrs['href']  # 新闻链接
        getClickCount(a)
        getNewDetail(a)
        break