博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
获取全部校园新闻
阅读量:5232 次
发布时间:2019-06-14

本文共 2590 字,大约阅读时间需要 8 分钟。

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。

# -*- coding: UTF-8 -*-import requestsfrom  bs4 import  BeautifulSoupfrom datetime import datetimeimport re#获取点击次数def getClickCount(newsUrl):    newsId = re.findall('\_(.*).html', newsUrl)[0].split('/')[1]    clickUrl = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80'.format(newsId)    clickStr = requests.get(clickUrl).text    count = re.search("hits'\).html\('(.*)'\);",clickStr).group(1)    return count# 获取新闻详情def getNewDetail(url):    resd = requests.get(url)    resd.encoding = 'utf-8'    soupd = BeautifulSoup(resd.text, 'html.parser')    title = soupd.select('.show-title')[0].text    info = soupd.select('.show-info')[0].text    time = info.lstrip('发布时间:')[0:19]    dt = datetime.strptime(time, '%Y-%m-%d %H:%M:%S')    if info.find('来源:') > 0:        source = info[info.find('来源:'):].split()[0].lstrip('来源:')    else:        source = 'none'    if info.find('作者:') > 0:        author = info[info.find('作者:'):].split()[0].lstrip('作者:')    else:        author = 'none'    print('链接:'+url)    print('标题:' + title)    print('发布时间:{}'.format(dt))    print('来源:' + source)    print('作者:' + author)    print('***********')def getListPage(listPageUrl):    res = requests.get(listPageUrl)    res.encoding = 'utf-8'    soup = BeautifulSoup(res.text, 'html.parser')    for news in soup.select('li'):        if len(news.select('.news-list-title')) > 0:            # 获取新闻模块链接            a = news.a.attrs['href']            # 调用函数获取新闻正文            getNewDetail(a)#首页列表新闻# getListPage('http://news.gzcc.cn/html/xiaoyuanxinwen/')#计算总页数resn = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')resn.encoding = 'utf-8'soupn = BeautifulSoup(resn.text,'html.parser')n = int(soupn.select('.a1')[0].text.rstrip('条'))//10+1for i in range(n,n+1):    pageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)    getListPage(pageUrl)

运行结果截图:

爬取简书简单数据: 

# -*- coding: UTF-8 -*-import requestsfrom bs4 import BeautifulSoupfrom datetime import datetimeimport reimport jiebares = requests.get('https://www.jianshu.com/p/7cb27667442a')res.encoding = 'utf-8'soup = BeautifulSoup(res.text,'html.parser')title = soup.select('.title')[0].texttime = soup.select('.publish-time')[0].text.rstrip('*')dt = datetime.strptime(time, '%Y.%m.%d %H:%M')words = soup.select('.wordage')[0].text.lstrip('字数 ')article = list(jieba.lcut(soup.select('p')[0].text))print('标题:'+title)print('发布时间:{}'.format(dt))print('字数'+words)print('分词后的正文:')print(article)

 

 

 

转载于:https://www.cnblogs.com/xuyizhu/p/8781546.html

你可能感兴趣的文章