当前位置: 首页 > news >正文

爬取全部的校园新闻

作业来源:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/3002

 

1 import re
2 from datetime import datetime
3 import requests
4 import bs4
5 from bs4 import BeautifulSoup

 

0.从新闻url获取点击次数,并整理成函数

  • newsUrl
  • newsId(re.search())
  • clickUrl(str.format())
  • requests.get(clickUrl)
  • re.search()/.split()
  • str.lstrip(),str.rstrip()
  • int
  • 整理成函数
  • 获取新闻发布时间及类型转换也整理成函数

点击次数函数:

1 def click(newsurl):
2     number = re.search('/(\d+).html' , newsurl).groups(0)[0]
3     clickurl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(number)
4     cilckRes = requests.get(clickurl)
5     cilckTimes = int(cilckRes.text.split('.html')[-1].split("'")[1])
6     return cilckTimes

发布时间函数:

1 def newsdt(soupn):
2     times = soupn.split()[0].split(':')[1]
3     times = times +' '+ soupn.split()[1]
4     times = times.replace('-', ' ').replace(':', ' ').lower().split()
5     dt = datetime(int(times[0]),int(times[1]),int(times[2]),int(times[3]),int(times[4]),int(times[5]))
6     return dt

 

1.从新闻url获取新闻详情: 字典,anews

 1 def anews(url,title):
 2     newsDetail = {}
 3     res = requests.get(url)
 4     res.encoding = 'utf-8'
 5     soup = BeautifulSoup(res.text,'html.parser')
 6     newsDetail['newsTitle'] = soup.select('.show-title')[0].text
 7     showinfo = soup.select('.show-info')[0].text
 8     newsDetail['newsDT'] = newsdt(showinfo)
 9     newsDetail['newsClick'] = click(url)
10     newsDetail['newsUrl'] = url
11     newsDetail['description'] = title
12     return newsDetail

 

2.从列表页的url获取新闻url:列表append(字典) alist

urls = []
titles = []
for i in range(8, 17) :
    url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
    res = requests.get(url)
    res.encoding = 'utf-8'
    urls += re.findall('<a href="(.*)">\r\n',res.text)
    titles += re.findall('<div class="news-list-description">(.*)</div>',res.text)
titles

 

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

1 newsList = []
2 for i in range(0,len(urls)):
3     newsList.append(anews(urls[i],titles[i]))
4 newsList

 

4.设置合理的爬取间隔

import time

import random

time.sleep(random.random()*3)

 1 import time
 2 import random
 3 
 4 urls = []
 5 titles = []
 6 for i in range(8, 17) :
 7     url = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)
 8     res = requests.get(url)
 9     res.encoding = 'utf-8'
10     urls += re.findall('<a href="(.*)">\r\n',res.text)
11     titles += re.findall('<div class="news-list-description">(.*)</div>',res.text)
12     time.sleep(random.random()*3)

 

1 newsList = []
2 for i in range(0,len(urls)):
3     newsList.append(anews(urls[i],titles[i]))
4     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:\duym\爬虫\gzccnews.csv')

1 import pandas as pd
2 newsdf = pd.DataFrame(newsList)
3 newsdf.to_csv(r'C:\Users\Administrator\Desktop\gzccnews.csv')

转载于:https://www.cnblogs.com/qiannuohan/p/10697500.html

相关文章:

  • 记第十届蓝桥杯省赛个人总结
  • pyton终端输出带颜色的命令行
  • Python——数据交换格式简要
  • 信号基础知识---线阵
  • spring-cloud-Zuul学习(二)【基础篇】--典型配置【重新定义spring cloud实践】
  • [CF]Codeforces Round #551 (Div. 2)
  • Docker最全教程之Python爬网实战(二十一)
  • 性能测试工具Locust的介绍和使用
  • padding属性
  • 渗透测试学习 一、网站搭建
  • GitHub使用指南
  • Android自定义Notification不显示的问题
  • k8s之调度约束
  • vue mock自己总结
  • Linux下EC20实现ppp拨号(转)
  • 【140天】尚学堂高淇Java300集视频精华笔记(86-87)
  • 77. Combinations
  • android高仿小视频、应用锁、3种存储库、QQ小红点动画、仿支付宝图表等源码...
  • Android组件 - 收藏集 - 掘金
  • C学习-枚举(九)
  • gcc介绍及安装
  • Hibernate【inverse和cascade属性】知识要点
  • JavaScript 基本功--面试宝典
  • PHP 程序员也能做的 Java 开发 30分钟使用 netty 轻松打造一个高性能 websocket 服务...
  • ReactNative开发常用的三方模块
  • Vue2.0 实现互斥
  • vue中实现单选
  • 程序员最讨厌的9句话,你可有补充?
  • 翻译--Thinking in React
  • 工作中总结前端开发流程--vue项目
  • 来,膜拜下android roadmap,强大的执行力
  • 入门到放弃node系列之Hello Word篇
  • 使用阿里云发布分布式网站,开发时候应该注意什么?
  • 问题之ssh中Host key verification failed的解决
  • 我感觉这是史上最牛的防sql注入方法类
  • 协程
  • ​HTTP与HTTPS:网络通信的安全卫士
  • #13 yum、编译安装与sed命令的使用
  • #define与typedef区别
  • #mysql 8.0 踩坑日记
  • #NOIP 2014# day.1 生活大爆炸版 石头剪刀布
  • #前后端分离# 头条发布系统
  • (1)(1.19) TeraRanger One/EVO测距仪
  • (13)[Xamarin.Android] 不同分辨率下的图片使用概论
  • (4)(4.6) Triducer
  • (C语言)深入理解指针2之野指针与传值与传址与assert断言
  • (day 2)JavaScript学习笔记(基础之变量、常量和注释)
  • (iPhone/iPad开发)在UIWebView中自定义菜单栏
  • (Java实习生)每日10道面试题打卡——JavaWeb篇
  • (PyTorch)TCN和RNN/LSTM/GRU结合实现时间序列预测
  • (安卓)跳转应用市场APP详情页的方式
  • (板子)A* astar算法,AcWing第k短路+八数码 带注释
  • (二)springcloud实战之config配置中心
  • (分布式缓存)Redis持久化
  • (附源码)spring boot校园健康监测管理系统 毕业设计 151047